蚂蚁灵波开源LingBot-VA：让机器人“边想边做”，真机表现惊艳

1月30日，蚂蚁灵波科技正式开源其最新成果——具身世界模型 LingBot-VA。这是继空间感知模型LingBot-Depth、具身大模型LingBot-VLA和模拟环境LingBot-World之后，团队推出的第四款开源工具。不同于以往“先仿真、再实机”的传统路径，LingBot-VA直接打通了“视觉感知—世界推演—动作生成”全链路，让机器人能像人一样，在看到场景的瞬间，就同步想好下一步该怎么做、怎么动。

在真实机器人测试中，LingBot-VA仅用30到50条人工演示视频，就学会了完成一系列高难度操作：把早餐食材按顺序摆上桌、从快递盒里精准取出螺丝、把试管插入试管架、叠裤子、拆快递包装……这些任务对传统机器人来说，要么需要大量标注数据，要么一遇到轻微扰动就失败。而LingBot-VA在这些场景中的成功率，平均比目前业界最强的基线模型Pi0.5高出20%以上。最让人意外的是，它连“叠裤子”这种需要柔性形变判断的任务，也能稳定完成，没有出现“扯破”或“堆成一团”的情况。

（图说：真机评测中，LingBot-VA在多项高难操作任务上性能超越业界标杆 Pi0.5）

仿真测试破纪录：双臂协作成功率超90%

在仿真环境中，LingBot-VA的表现更让人惊讶。在业内公认的高难度双臂协同操作基准RoboTwin2.0上，它首次将任务成功率突破90%，远超此前所有模型。而在长时序任务基准LIBERO上，它达到了98.5%的平均成功率——这意味着，机器人连续执行20步以上、中间不能出错的复杂任务，几乎不会“翻车”。

这些成绩不是靠“刷数据”得来的。LingBot-VA的核心是首创的“自回归视频-动作联合建模”框架：它不是先看一眼画面，再单独算动作，而是每生成一帧画面的同时，就同步预测出接下来机器人该动哪个关节、用多大扭矩。这种“所见即所动”的方式，让模型对物理规律的把握更自然，也更贴近人类的直觉反应。

（图说：LingBot-VA在LIBERO与RoboTwin2.0仿真基准测试中刷新现有SOTA）

不靠算力堆，靠设计省：真机也能跑得快

很多人担心，这么强的模型，是不是得用上几十张A100才能跑？LingBot-VA偏偏反其道而行。它用了一种叫“Mixture-of-Transformers（MoT）”的结构，让视频理解模块和动作控制模块像两个默契的搭档，各司其职又实时对话。更重要的是，它设计了一套“异步推理”机制：画面生成和电机指令输出不是“等一拍、走一步”，而是并行处理。你看到它在“想”，其实它已经在动了。

为了减少延迟，团队还加了“记忆缓存”和“噪声历史增强”技术。简单说，就是让机器人“记得刚才干了啥”，哪怕摄像头偶尔被遮挡、画面有点抖，它也能靠记忆补全信息，不需要每次都从头重新推演。这使得在真实机器人上，它的响应速度能控制在200毫秒以内——比人眨一次眼还快。

开源，不为炫技，为落地

蚂蚁灵波这次没藏私。LingBot-VA的模型权重、推理代码、训练脚本，全部开放在GitHub上，任何人都可以下载、复现、改造。他们不只想做一家“技术领先”的公司，更想推动整个行业往前走。此前开源的LingBot-World（模拟器）、LingBot-VLA（智能基座）、LingBot-Depth（空间感知），加上这次的LingBot-VA，已经形成了一套完整的“具身智能工具链”——从环境搭建，到感知理解，再到动作控制，一应俱全。

这不是实验室里的玩具。团队透露，部分技术已在物流分拣、家庭服务机器人等真实场景中试点，比如帮老人拿药、在仓库里自动识别并抓取不同形状的包裹。他们希望，未来三年内，能让更多中小团队、高校实验室，用上这套“开箱即用”的系统，不再从零开始造轮子。

现在，你可以在GitHub上搜索“LingBot-VA”，直接下载模型，用你手头的机器人试试看——它可能不是最炫的，但可能是第一个，真正能让你的机器人“活过来”的模型。