蚂蚁灵波科技近期集中发布LingBot系列模型，通过开源方式探索具身智能新路径。其核心发布的两款世界模型LingBot-World与LingBot-VA，分别致力于构建高保真物理模拟环境与实现视频-动作闭环预测，为解决当前机器人技术中的环境感知与自主学习难题提供了新思路，展现了清晰的技术路线图。
智能速览
LingBot-World是开源版Genie3，旨在创造可交互的物理世界模拟器。
LingBot-VA是自回归视频-动作模型，实现大脑与真实世界的交互进化。
LingBot-VA在LIBERO和RoboTwin基准测试中成功率分别高达98.5%和92%。
LingBot-World通过分层训练和架构优化，将系统延迟降至1秒以下。
LingBot-VA仅需30-50条演示数据即可完成新场景适配。
精华内容
从理解物理世界到精准控制行动，蚂蚁灵波的世界模型正尝试将机器人的“大脑”与“双手”更紧密地连接起来，推动具身智能迈向新阶段。
构建物理模拟器
LingBot-World的目标是让AI从“做梦者”转变为“模拟器”，即从生成像素幻觉转变为理解物理规律。为此，它解决了三大瓶颈：通过分层语义的数据引擎处理多源数据；通过“通用视频训练-MoE注入知识-实时推理架构”三步训练法，保证了高保真度、可控性与低延迟，最终实现了低于1秒的系统响应速度。
作为开源模型，它为开发者提供了一个低成本的虚拟训练场，可用于三维重建、智能体模拟等多种场景。
视频动作的闭环
LingBot-VA探索了“自回归视频-动作世界模型”这一新范式。其核心是通过MoT架构，将视频流与动作流交错排列并映射到统一潜空间，建立起明确的因果关系。模型通过预测下一视频状态，反解码出具体执行动作，形成了一个从感知到行动的闭环。
这一设计有效解决了传统方案中实时反馈差、缺乏因果关联的问题，在LIBERO和RoboTwin等基准测试中，分别以98.5%和92%+的成功率大幅领先。
低成本快速学习
闭环机制赋予了LingBot-VA强大的自我进化能力。由于能与真实世界持续交互并修正“幻觉”，模型在运行中会不断变强。其自回归架构天然具备记忆功能，在计数与寻物任务中均取得满分。
更突出的是，得益于大规模多源数据预训练，模型对新场景的学习效率极高。实测数据显示，一个全新任务场景仅需30~50条演示数据即可完成适配，极大降低了机器人部署和调优的成本。
开源具身生态
从空间感知的LingBot-Depth，到具身操作的LingBot-VLA，再到两款世界模型，蚂蚁灵波正构建一个完整的开源工具矩阵。所有模型均坚持开源，旨在降低行业准入门槛，赋能更多开发者。
这种策略不仅丰富了开源生态的工具库，也体现了其平衡理想主义与现实主义的路径选择。当更多玩家参与开源共建，具身智能的基础设施将更加完善，通往通用机器人的道路也会更加宽阔。
蚂蚁灵波通过一整套开源模型，展示了其构建具身智能基础设施的决心。这种从模拟到执行的闭环路径，不仅降低了技术研发的门槛，也为机器人实现更高级的自主学习和推理能力铺平了道路。当开源生态日益繁荣，通用具身智能的未来或许比想象中来得更快。
