具身智能领域迎来重要突破，蚂蚁灵波开源的LingBot-VLA模型在100项真实任务评测中整体表现超越Pi0.5，成为跨本体、跨场景泛化的开源具身基座新标杆。
智能速览
LingBot-VLA基于20000小时、覆盖9种双臂机器人构型的真实世界数据训练
在GM-100评测基准上，成功率比Pi0.5平均提高4.28%
模型采用Mixture-of-Transformers架构，结合视觉语言理解与动作生成
训练效率显著提升，吞吐量达每秒261个样本
全链路开源，包含模型权重、代码和后训练工具链
首次揭示VLA模型在真实机器人数据上的Scaling Law
精华内容
具身智能的突破不仅在于单一任务的完成，更在于跨本体、跨场景的泛化能力。LingBot-VLA的出现，为这一目标提供了有力支撑。
数据规模突破
LingBot-VLA的训练数据规模达到20000小时，覆盖9种主流双臂机器人构型，这一规模在开源具身模型中实属罕见。
传统上，不同机器人间的传感器、控制接口、本体结构差异巨大，数据难以统一利用。LingBot-VLA成功打破了这一瓶颈，实现了多源异构数据的高效整合。
数据规模从3000小时逐步扩展至20000小时过程中，模型在下游任务的成功率获得持续提升，且性能曲线仍未显示饱和迹象。
评测表现优异
在全新的GM-100具身智能基准测试中，LingBot-VLA面临100项真机任务的挑战。这些任务涉及串糖葫芦、拉软包拉链、叠衣服等长序列任务和精细操作。
模型被部署在来自三大平台的25台机器人上进行测试，实现了真正的跨本体验证。相比Pi0.5，LingBot-VLA的平均成功率提高4.28%，部分成功率提高7.76%。
特别值得注意的是，在Agibot G1平台上，仅使用80条示范数据进行后训练，LingBot-VLA的表现就超越了使用130条数据训练的Pi0.5模型。
架构创新设计
LingBot-VLA采用Mixture-of-Transformers架构，将强大的视觉语言模型作为理解世界的’大脑’，配上专门的’动作专家’生成机器人动作。
视觉、语言和动作数据通过独立处理通路，每一层通过共享注意力机制交互，既保证视觉语义知识指导动作生成，又避免模态信息干扰。
在动作生成上，模型采用Flow Matching方法建模连续平滑的动作轨迹，提升复杂操作的控制稳定性。
空间感知能力
针对机器人操作至关重要的空间感知，LingBot-VLA采用基于视觉蒸馏的深度信息融合方法。
模型并未直接将深度图作为输入，而是通过可学习的查询机制，使视觉语言主干提取的特征与专用深度模型生成的空间表征对齐。
这种设计让模型在无需深度图输入的情况下，就能具备对三维几何关系的隐式理解，在抓取、放置等任务中精度大幅提升。
训练效率领先
LingBot-VLA的训练框架展现出显著优势。在相同数据集和标准化架构下，其训练吞吐量均高于主流开源框架。
通过改进的FSDP策略、FlexAttention和算子融合等技术，训练吞吐量达到每秒261个样本，相比主流开源代码库有1.5至2.8倍加速。
随着GPU规模从8卡扩展至256卡，训练效率仍能紧密跟随理论线性扩展上限，展现卓越的大规模分布式训练可扩展性。
全链路开源
蚂蚁灵波选择全链路开源策略，发布了模型权重、代码、后训练工具链，确保开发者不仅能获取模型，还能进行优化调优。
这种开放态度为行业提供了持续迭代的土壤，让更多从业者可以在LingBot-VLA基础上继续前进。
开源模式也扩大了验证面，让具身智能的迭代速度更接近AGI需要的’规模化试错’要求。
LingBot-VLA的意义不仅在于性能超越，更在于为’通过扩展真实数据实现更强泛化’提供了扎实实证。尽管当前模型在GM-100上的平均成功率未超过20%，离真正的跨本体泛化还有距离，但它已为行业指明了方向。
