蚂蚁灵波科技开源全球首个自回归视频-动作世界模型LingBot-VA，它让机器人像人一样先在大脑推演世界变化再行动，而非死记硬背数据。这项技术融合了视频生成与机器人控制，在多项高难度任务中显著提升成功率，标志着世界模型向物理世界落地迈出了关键一步。
智能速览
LingBot-VA是全球首个自回归视频-动作世界模型，让机器人实现“先思后行”。
真机评测中，其任务成功率相较业界标杆PI0.5平均提升20%。
仅需30-50条演示数据即可适配制作早餐、叠衣物等六大高难度任务。
仿真评测中，在RoboTwin2.0与Libero基准上刷新了成功率记录，最高达98.5%。
采用MoT架构与闭环推演机制，确保动作生成不偏离物理现实。
精华内容
LingBot-VA的核心突破在于它统一了视觉预测和动作推理，让机器人在行动前就能“预见”未来，从而做出更精准的决策，这种能力在复杂的物理交互中显得至关重要。
技术框架突破
LingBot-VA首次提出了自回归视频-动作世界建模框架，将大规模视频生成模型与机器人控制深度融合。模型的核心是Mixer of Transformers架构，通过独特的闭环推演机制，在每一步生成时都会纳入真实世界的实时反馈，确保持续生成的画面与动作序列不偏离物理现实，从而让机器人能够“边推演，边行动”。
实测性能卓越
在真机评测中，LingBot-VA展现了强大的泛化能力。面对制作早餐、拾取螺丝、插入试管、拆快递、叠衣物和叠裤子这三大类六项高难度挑战，仅需30-50条真机演示数据即可完成适配，任务成功率相较业界强基线PI0.5平均提升20%。
在仿真评测中，LingBot-VA在高难度双臂协作基准RoboTwin2.0上首次将成功率提升至超过90%，在长时序终身学习基准Libero上更是达到了98.5%的平均成功率，均刷新了行业记录。
端侧部署优化
为突破大规模视频世界模型在机器人端侧落地的计算瓶颈，LingBot-VA设计了一套高效的推理管线。该管线将动作预测与电机执行并行化处理，同时引入基于记忆缓存的持久化机制与噪声历史增强策略。这些优化使得模型在保持大模型理解深度的同时，大幅降低了推理延迟，具备了真机低延迟控制的响应速度。
构建开源生态
LingBot-VA的开源是蚂蚁灵波科技具身智能战略的一环。它与此前开源的LingBot-World模拟环境、LingBot-VLA智能基座以及LingBot-Depth空间感知模型，共同构成了一套完整的具身智能全栈技术方案。蚂蚁灵波表示将持续通过开源开放，与行业共建具身智能基础能力，加速技术落地与产业应用。
LingBot-VA的开源不仅是技术上的里程碑，也为具身智能的探索提供了新范式。它展示了世界模型在物理世界应用的巨大潜力，期待这一技术能催生出更多创新应用，推动机器人从工具向智能伙伴的演进。未来的机器人会是什么样的？
