具身智能长期受困于数据稀缺与“一机一训”的碎片化难题，难以规模化商用。蚂蚁集团联合北大发布的LingBot-VLA模型，凭借20,000小时真实数据训练与创新架构，首次实现了单一模型对多种主流机器人的统一策略控制。它不仅在性能上超越标杆，更通过开源降低了研发门槛，为机器人技术从实验室走向现实应用提供了关键的基座支持。
智能速览
LingBot-VLA基于约20,000小时大规模真实机器人操作数据预训练。
该模型突破了“一机一训”局限，可跨9种主流双臂机器人构型实现统一控制。
在GM-100评测基准上，模型将跨本体泛化成功率从13.0%提升至17.3%。
下游新任务仅需约80条演示数据即可实现高质量适配，大幅降低数据成本。
模型权重、代码及工具链全部开源，显著降低了行业研发门槛。
精华内容
LingBot-VLA的突破并非偶然，其背后是大规模数据的支撑、创新的模型架构以及对工程效率的极致追求。让我们深入了解其技术内核与实现路径。
万小时数据底座
LingBot-VLA的核心优势源于其庞大的数据基础。团队采集了约20,000小时的真实世界机器人操作数据，覆盖了AgiBot G1、Franka 2等9种主流双臂机器人构型。
为了确保模型感知的全面性，每台机器人均配置了2个腕部相机和1个头部相机，用于捕捉多视角的第一人称画面。通过创新的半自动标注流程，这些海量视频被高效转化为模型可学习的多模态教材，为模型提供了丰富的异构性经验，覆盖了抓取、放置、组装等各类原子动作。
创新MoT架构
模型采用了混合Transformer架构，旨在模拟“大脑与小脑协同”的神经系统。感知层（大脑）基于预训练的视觉-语言模型Qwen2.5-VL，负责理解图像和指令；而动作层（小脑）则引入专门的“动作专家”模块，处理机器人本体状态并生成动作。
两者通过共享自注意力机制深度融合，实现了信息的逐层交互。此外，模型摒弃了离散动作预测，引入流匹配模型进行连续动作建模，使机器人动作更流畅。同时，通过可学习的查询对齐机制，将高精度深度信息与视觉特征对齐，增强了空间感知能力。
实测性能跃升
在严格的基准测试中，LingBot-VLA的性能表现突出。在包含3种真实机器人平台、100项任务的GM-100评测中，模型引入深度信息后，将跨本体泛化平均成功率从基准模型Pi0.5的13.0%提升至17.3%，相对提升达33%。
在RoboTwin 2.0仿真基准的随机干扰场景下，其操作成功率比Pi0.5高出9.92个百分点。训练效率也得到极致优化，在8 GPU配置下达到261样本/秒/GPU的吞吐量，相比主流框架提速1.5至2.8倍。
差异化路径
与千诀科技从底层革新计算方式、打造“仿生大脑”追求极致能效不同，蚂蚁灵波的核心思路是为机器人训练一位“经验丰富的老师傅”。它不重塑计算基础，而是基于现有强大AI模型，用海量真实数据训练出通用操作智慧。
这种路径追求对复杂操作的举一反三，尤其适合需要精细手眼协调和理解复杂指令的场景。可以理解为，千诀科技致力于让机器人“跑得更稳、更省电”，而蚂蚁灵波则致力于让机器人“手更巧、更懂事”。
LingBot-VLA通过开源一个可商用级的VLA基座，有效解决了具身智能规模化落地中的核心瓶颈，展示了数据驱动路线的巨大潜力。它不仅是一个技术成果，更是一个行业加速器。未来，随着更多开发者的加入，这种“一脑多机”的模式将催生出哪些更智能、更通用的机器人应用？
