蚂蚁灵波发布首个具身原生世界动作模型 LingBot-VA2.0

7月10日，蚂蚁灵波发布了业界首个具身原生世界动作模型 LingBot-VA2.0。这意味着机器人基础模型不再依托数字世界模型能力的嫁接，转向面向物理世界的原生设计。机器人“大脑”的构建出发点变成了动态建模、因果预测、实时执行等与环境交互的原始需求。

真机测试中，LingBot-VA2.0的执行速度和泛化能力表现不错。不依赖任何外部拍摄设备，机器人就能完成与人类的多轮随机对打。

世界模型与具身智能的融合是今年的行业焦点。物理世界的控制执行需要符合因果规律的预测能力。机器人面对的是连续变化的真实世界。它得针对当前情况反应，还得理解动作引发的环境变化，再决定下一步。当前行业主流路线是用面向数字内容创作的视频生成模型，微调后适配机器人控制。内容创作看重画质和创意，机器人控制看重执行效率和预测合理性。强行微调会把前者适配成后者，带来知识遗忘、泛化性下降的副作用。

LingBot-VA2.0从自回归架构从头预训练。模型引入了语义视觉-动作分词器作为视觉编码器，在视觉压缩时对齐语义与动作信息。这让模型更容易把“理解指令”转化为“完成动作”，指令跟随与动作精度随之提升。训练全程采用严格的因果预训练范式与自回归架构，视觉预测和动作生成完全遵循单向时间顺序。MoE架构在不牺牲推理效率的前提下扩大了模型容量，平衡了性能与效率。增强的异步推理机制实现了实时闭环控制，机器人执行动作的同时预测未来状态，再利用最新真实观测校正下一步决策。这套设计解决了具身世界模型执行效率低的问题，LingBot-VA2.0达到了单卡150Hz实时推理效率。

从干活的角度看，机器人得看得更清楚、想得更明白、干得更利索。本周蚂蚁灵波连续发布和开源了多款模型：面向空间感知的LingBot-Vision和LingBot-Depth2.0，面向“一脑多机”的LingBot-VLA2.0，面向实时交互的LingBot-World2.0，面向更高推理效率的视频生成基模LingBot-Video。这些模型在探索具身原生的细分方向能力，LingBot-VA2.0是集大成者，开启了具身原生新阶段。

蚂蚁灵波CEO朱兴说，灵波将持续探索具身智能新上限，也会加速构建开放的技术生态和场景生态，助力机器人加速走向产业场景。

7月17日至20日，蚂蚁灵波将在2026世界人工智能大会（WAIC）上展示全栈大脑2.0落地场景的能力。体验地点在上海世博展览馆H3-B302、H1-C701展位。