蚂蚁灵波发布LingBot-VA 2.0：行业首个具身原生世界举措模型

7月10日消息，今日，蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0。

官方表示，该模型的发布，标志着机器人基础模型正式从“基于数字世界模型构建”到“面向物理世界原生设计”的关键转变。

同时，它代表了具身智能发展的一种关键路线选择：机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计。

得益于具身原生架构，LingBot-VA 2.0在真机测试中表现出了出色的执行速度和泛化能力。

例如，在不依赖任何外部拍摄设备的情况下，机器人就可以完成与人类的多轮随机对打。

当前，行业主流路线大多依托面向数字内容创作的视频生成模型，再通过微调的方式适配机器人控制任务。

然而内容创作和机器人控制有着不同的出发点，内容创作更在意画质和创意，机器人控制则更在意执行效率和预测的合理性。

而LingBot-VA 2.0选择直面问题，探索一条更艰难的路，其基于自回归架构从头开始预训练，通过四大核心设计构建原生基模。

首先，模型引入语义视觉-动作分词器作为全新的视觉编码器，在视觉压缩过程中加入了语义与动作信息的对齐，使模型在后续的训练中更容易把“理解指令”转化为“完成动作”。

其次，模型采用严格的因果预训练范式，让模型从训练一开始就使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序。

随后引入MoE架构，在不牺牲推理效率的前提下有效扩大了模型容量，在性能和效率之间取得平衡。

最后，通过增强的异步推理机制实现实时闭环控制，在机器人执行动作的同时预测未来状态，并利用最新真实观测不断校正下一步决策。

基于这些设计，在行业普遍面临的具身世界模型执行效率低这一问题上，LingBot-VA 2.0给出了单卡150Hz实时推理效率的答卷。

本周，蚂蚁灵波已经连续发布和开源了多款模型，包括：面向空间感知的LingBot-Vision和LingBot-Depth 2.0、面向“一脑多机”的动作模型LingBot-VLA2.0、面向实时交互的LingBot-World2.0和面向更高推理效率的视频生成基模LingBot-Video。

上述模型代表着蚂蚁灵波在持续探索具身原生需要的细分方向能力，而LingBot-VA 2.0作为集大成者扮演了收官之作的角色，也正式开启了具身原生新阶段。

蚂蚁灵波CEO朱兴表示，一方面灵波将持续探索具身智能新上限，另一方面也将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，在2026世界人工智能大会（WAIC）期间，蚂蚁灵波将全面展示全栈大脑2.0落地场景的能力，观众届时可前往上海世博展览馆（H3-B302、H1-C701展位）进行现场体验。