蚂蚁灵波开源了具身智能基座模型LingBot-VLA，基于20000小时真实世界数据训练，首次系统性验证了VLA模型的数据缩放定律，其性能与泛化能力为行业迈向规模化落地提供了新解法。
智能速览
LingBot-VLA基于目前开源最大规模的20000小时真实机器人数据训练。
在权威评测中，其性能全面超越π0.5与英伟达GR00T等国际顶尖模型。
凭借强大的泛化能力，可在多种不同构型的机器人上执行复杂任务。
采用专家混合架构与流匹配模型，实现了更丝滑连贯的动作控制。
首次在真实世界系统性验证了VLA模型的数据缩放定律，性能尚未饱和。
精华内容
超越π0.5的VLA模型是如何炼成的？答案藏在20000小时的真实世界数据与一系列技术创新中。
海量真实数据
模型的核心优势源于其庞大的数据基础。团队摒弃了与真实世界存在鸿沟的仿真数据，选择从2023年开始，通过真实遥控操作，收集了20000小时的机器人操作数据。
这些数据覆盖了抓取、放置、组装等原子动作，且源自9种不同品牌和构型的双臂机器人。这种数据的异构性和丰富性，为模型强大的泛化能力打下了坚实基础，使其能够适应不同硬件和视角。
架构与感知创新
模型架构上，LingBot-VLA采用了专家混合Transformer，可理解为一套大脑与小脑协同工作的系统，二者通过共享的自注意力机制深度耦合，实现高效信息交互。
动作生成上，它引入流匹配模型，学习动作变化的平滑流场，而非预测离散点位，使机器人动作更接近人类演示的自然度。此外，团队还自研了LingBot-Depth深度估计模型，让机器人能看清透明物体并感知三维空间。
算力效率革命
训练20000小时高维数据对算力是巨大挑战。团队通过系统级优化，打造了高性能开源代码库，在分布式策略、算子级别和数据处理管道上进行了革新。
优化后，在8卡GPU配置下，实现了每秒每GPU 261个样本的吞吐量，训练速度比主流框架提升1.5至2.8倍。这使得原本需要一个月的实验周期缩短至一到两周，让万小时级数据迭代VLA模型变得可行。
性能全面超越
在权威的GM-100基准测试中，LingBot-VLA迎来了π0.5、英伟达GR00T N1.6等对手的挑战。该评测在三种真实机器人平台，对100个精细操作任务进行了总计22500次测试。
结果显示，融合深度信息的LingBot-VLA在各项指标上均显著超越π0.5。例如，在AgileX平台上，其平均任务成功率为18.93%，而π0.5为17.20%；在更具挑战性的Galaxea平台上，优势更明显（20.98% vs 14.10%）。
通用大脑战略
蚂蚁灵波的定位是提供通用智能基座，即“大脑”，而非机器人的“身体”，旨在解决行业场景碎片化与硬件非标化的痛点。通过在海量异构数据上预训练，模型学会了跨越硬件平台的本质操作逻辑。
这种“一次训练，多端部署”的愿景，在LingBot-VLA的跨本体泛化能力上得到验证。为此，团队不仅开源了模型和代码，还贡献了“交钥匙”式的评估基准，推动行业从实验室演示迈向规模化落地。
LingBot-VLA的开源不仅是技术突破，更推动了具身智能从演示走向落地。一个通用大脑的生态雏形已现，规模化应用的未来还有多远？
