蚂蚁灵波开源LingBot-VLA：让机器人更懂真实世界

就在上周，蚂蚁集团旗下的蚂蚁灵波科技正式将自研的具身智能大模型 LingBot-VLA 及全套后训练工具链全面开源。这不是一次简单的技术发布，而是一次让机器人真正“看懂”世界的努力。过去，很多机器人模型只能在实验室的模拟环境中表现良好，一旦进入真实场景，动作迟缓、判断失误是常态。LingBot-VLA 的出现，正在改变这一点。

目前，LingBot-VLA 已经成功接入星海图、松灵、乐聚等国内主流机器人厂商的设备。无论是仓储搬运机器人、服务型机器人，还是教育陪伴机器人，只要搭载这套模型，都能在不更换硬件的前提下，快速提升任务完成率。更关键的是，它不依赖昂贵的算力——在8张消费级A100 GPU上，模型每秒能处理261个训练样本，效率比StarVLA、OpenPI等主流框架高出1.5到2.8倍。这意味着，哪怕是一个中小团队，也能用相对可控的成本训练出能跑在真实机器人上的智能模型。

数据越多，机器人越“聪明”

蚂蚁灵波团队收集了超过2万小时的真实机器人操作数据——不是合成的，不是摆拍的，是机器人在仓库、家庭、展厅等复杂环境中一遍遍试错、失败、再尝试积累下来的。他们发现一个朴素但关键的规律：数据量越大，机器人完成任务的成功率就越高。从3000小时到20000小时，模型在标准测试中的成功率稳步提升，没有 plateau（平台期），说明我们还没触到数据的天花板。

在上海交大开源的GM-100评测基准中，LingBot-VLA 在三种不同结构的机器人上实现了跨本体泛化——也就是说，一个在星海图机器人上训练好的模型，可以直接用在乐聚的机器人上，无需重新训练。平均成功率从13%提升到15.7%，而当加入深度信息后，直接冲到17.3%。这个数字看似不高，但在真实机器人任务中，意味着从“经常失败”到“基本可靠”的质变。

LingBot-Depth：让机器人“看得更深”

光靠视觉还不够。很多任务，比如抓取一个半藏在抽屉里的杯子、避开地上的电线，都需要对空间有精确的感知。为此，蚂蚁灵波在1月27日同步推出了 LingBot-Depth——一个专为真实场景设计的深度补全模型。

它不依赖昂贵的激光雷达，而是用普通双目摄像头采集RGB和原始深度数据。这些原始数据往往布满噪点、缺失严重，就像在雾天看东西。LingBot-Depth 的作用，就是把这些模糊、残缺的“碎片”，还原成清晰、连续的三维结构。在KITTI、NYU Depth v2 等多个公开数据集测试中，它的补全精度稳居前列，甚至在部分场景下超越了使用RGB-D传感器的方案。

这对行业意味着什么？未来，不需要每台机器人都配激光雷达，一台普通的双目摄像头+LingBot-Depth，就能实现接近高端传感器的环境理解能力。这对降低成本、加速机器人普及，意义重大。不少自动驾驶公司和机器人初创团队，已经主动联系蚂蚁灵波，希望将这套模型集成到自己的产品中。

开源，不是终点，是起点

这次开源，蚂蚁灵波没有保留任何核心代码。从数据预处理、模型训练、到推理部署，全套工具链都放在了GitHub上，允许任何人商用、修改、再发布。他们甚至提供了详细的部署指南和常见问题解答，连“如何在Jetson Orin上跑起来”这种细节都写清楚了。

这不是一场技术秀，而是一次真正的“共建”。我们见过太多模型，发布时轰轰烈烈，几个月后无人问津。LingBot-VLA 和 LingBot-Depth 不一样——它们是为真实世界而生，也为真实世界的开发者而开源。如果你正在做机器人、做视觉感知、做AI落地，这套工具，值得你花时间试试。