蚂蚁灵波发布全球首个具身原生预训练模型，原力灵机推DM0.5及Apex机器人

如果说2026年具身智能领域有一个正在被反复提及的词，那一定是 具身原生 。 它不像VLA或世界模型那样高频出现在论文标题里，也很少被单独写进公开发布的技术框架中，但在一线团队的观点输出里，这个词正在变成某种共识。 也许， 具身智能需要重新为自己烧一套炉子。 这种变化并非凭空出现。 今年2月，原力灵机在技术开放日上正式提出了具身原生的概念。 几乎同一时期，美国Generalist AI团队也开始强调从物理世界出发构建通用能力。 其GEN-0模型首次验证了具身智能领域的Scaling Law，随后发布的GEN-1将平均成功率从64%提升到99%，执行速度达到此前基线的约3倍。

这些信号背后指向的是一个越来越难回避的现实： 具身智能没有捷径可走 。 在互联网数据中训练出来的模型，可以理解语言、生成图像，甚至做复杂推理；但一旦进入真实环境，面对不确定的物体、连续的动作和不可逆的反馈，这套能力体系往往迅速掉线。 问题不在模型规模，而在起点。 如果目标是让机器人在物理世界中稳定完成任务，那么它所依赖的感知、决策与行动能力，从一开始就不应该建立在数字世界优先的范式之上，而是需要一套从物理交互出发构建的原生模型体系。 就在今天，蚂蚁灵波正式发布了 行业首个具身原生预训练模型LingBot-VA 2.

0 ，一款基于自回归视频生成模型、从头进行全自主预训练的世界动作模型。 此前的三天里，LingBot-Vision、LingBot-Depth 2. 0、LingBot-VLA 2. 0、LingBot-Video和LingBot-World 2. 0已经先后亮相。 六款模型共同构成了 蚂蚁灵波全栈大脑2. 0体系 ，一个从空间感知到世界预测再到动作生成的完整闭环。 当类似的探索逐渐汇聚成一条隐约可见的新分支，问题也随之变得更具体：当具身原生开始成为共识，它究竟意味着什么？ 又会把具身智能的技术路径带向哪里？ 01 具身原生，正在成为行业分水岭 当前主流的技术路径，本质上可以被概括为一种 拿来主义 。

它的逻辑并不复杂，用已经成熟的大语言模型或视频模型作为基础，通过微调、加装动作头等方式，将原本用于理解世界的模型改造为可以执行任务的机器人大脑。 这种路径的优势很明显，可以直接继承通用模型强大的语义理解能力，缩短开发周期，在一定程度上已经支撑起当前一批具身智能应用的落地。 但随着机器人逐步进入复杂环境，这种路径的边界开始显现。 首先，它的训练目标本质上仍然围绕预测下一帧或者理解语义，更擅长捕捉相关性，而不是建立因果关系。 但机器人面对的不是静态内容，而是动态的物理世界，它的核心问题是如果我这样做，会发生什么 。 其次，从架构到数据再到训练逻辑，这些通用模型都不是为物理交互设计的，后期适配不可避免地存在结构性鸿沟。

这种鸿沟在简单任务中不明显，但在复杂场景中会迅速放大。 更关键的是，在动态环境中，这类模型往往依赖“看-做-修正”的反馈机制，响应存在滞后，对新场景的泛化能力也高度依赖额外数据补齐。 也正是在这样的背景下，具身原生开始成为另一条逐渐清晰的路径。 所谓具身原生，并不是简单的技术叠加，而是一种从底层重构的思路。 从数据体系、训练目标到模型架构，全部围绕机器人在物理世界中的感知、决策与执行任务进行设计，并通过全自主的从头预训练来完成能力构建。 这带来的变化，本质上是从看懂世界再行动，转向预判世界并主动行动。 如果进一步对比，两条路线在多个关键维度上呈现出明显差异： 在预训练方式上，一方依赖迁移微调，另一方从零构建； 在建模目标上，一方偏重相关性，另一方强调因果关系； 在架构逻辑上，一方服务于通用理解，另一方直接面向执行； 在指令与动作的关系上，一方是间接映射，另一方则尝试原生打通。

为什么越来越多的讨论开始倾向于认为，具身原生可能成为下一阶段的主导路径？ 核心原因在于， 机器人任务的本质， 是因果驱动的物理交互，而不是内容生成。 简单来说，预测下一帧会发生什么，并不能回答如果我移动这个物体，结果会怎样。 只有建立因果模型，机器人才能具备真正意义上的自主决策能力。 这种趋势也已经在行业中得到侧面验证。 LingBot-VA 1. 0开源时，包括英伟达在内的多个团队开始加速布局世界动作世界模型方向，某种程度上说明，这条路径并不是孤立尝试，而是正在成为共识的一部分。 02 五个能力跃迁，读懂LingBot-VA 2.

0的原生实力 如果说具身原生是一种方法论，那么LingBot-VA 2. 0则是这一方法论的具体体现。 它的价值并不在于某一个单点技术，而在于围绕机器人真实作业需求，完成了一系列关键能力的跃迁。 首先是从相关性走向因果性。 模型不再依赖通用模型的微调，而是基于自回归视频生成模型从零开始预训练。 其核心任务从学习画面如何变化转变为学习动作如何改变世界，即建立行为与结果之间的物理因果对应关系。 这种转变使机器人具备真正的自主决策能力，而不是简单的被动响应。 为此，LingBot-VA 2. 0模型首次提出了自回归视频-动作世界建模框架，将视频生成与控制深度融合，在预测下一步世界状态的同时直接推演并输出相应动作序列。

这一框架让模型在预测世界状态的同时，直接生成可执行的动作序列，真正实现了从想到做的闭环。 在此基础上，模型进一步实现了从反馈执行到前瞻行动的升级。 传统机器人采用感知-执行-修正的循环，在静态环境中尚可，但在动态场景中容易因滞后而失败。 LingBot-VA 2. 0引入foresight reasoning机制，使机器人在执行当前动作时持续预测未来几帧的状态变化，并据此实时调整控制策略。 这种边执行边推演的能力显著提升了控制频率，并在物体移动或环境扰动等复杂条件下保持了较高的成功率和鲁棒性。 例如在LingBot-VA 2.

0驱动的机械臂空气曲棍球演示中，模型能够实时应对对手的随机击打并调整动作，展现出强大的动态适应能力。 另一个关键突破，是打通指令与动作之间的鸿沟。 传统系统中，机器人往往听得懂但做不对，原因在于语义理解与动作生成之间缺乏统一表示。 LingBot-VA 2. 0通过新一代VAE结构，将语义与动作原生对齐，使指令可以更直接地转化为正确执行。 这一闭环设计从根本上消除了理解与执行之间的偏差，大幅提升了任务执行的准确度。 在工程层面，模型还需要解决一个现实问题，能不能实时干活。 机器人部署对实时性要求严苛，如果模型推理成为瓶颈，会直接导致任务失败。

LingBot-VA 2. 0通过MoE架构与异步推理机制，系统可以按需激活不同专家模块，并将推理与执行节奏解耦，在保证性能的同时提升效率，使模型真正具备落地能力。 但这一架构的实现本身就充满了挑战：如何在训练中保证多个专家模块被均匀且稀疏激活，是MoE成功的关键。 得益于此，模型在保持高容量同时实现了显著的推理加速，特别适合传送带抓取等对实时性要求极高的场景。 最后，是数据层面的突破。 预训练模型的终极检验在于面对新场景时的泛化能力。 LingBot-VA 2. 0仅需少量样本即可在后训练阶段完成适配，这直接证明模型学到的不是场景记忆，而是可迁移的物理规律和因果逻辑。

这种轻量化适配不仅降低了新任务的数据采集成本，也极大简化了部署流程，为产业规模化应用打开了现实通道。 总的来看，LingBot-VA 2. 0的意义，不在于单一技术指标的提升，而在于它让具身原生从概念变成了一条可以被验证、被复现的技术路线。 03 从单点突破到全栈大脑2. 0，蚂蚁灵波的完整布局 如果单看LingBot-VA 2. 0，很容易把它理解为一次单点突破。 但实际上，它更像是整个体系中的收口。 蚂蚁灵波此次构建的全栈大脑 2. 0，本质上是一套完整的能力闭环，着力解决三个核心问题： 看得更清楚、想得更明白、干得更利索 。

看得更清楚，对应从传感器出发的原生空间智能 ， 由LingBot-Vision空间原生视觉基模与LingBot-Depth 2. 0深度感知模型组成，为机器人提供高精度、稳定的空间视觉输入。 例如在透明玻璃门场景中，模型能准确判断门后物体的可通行性，避免了看得见却摸不着的典型数字世界幻觉。 想得更明白，则聚焦从模型设计和训练范式出发的原生架构。 其中，LingBot-Video通过MoE架构平衡模型规模与推理效率，LingBot-World 2. 0通过Causal Pretrain保证因果建模能力，而LingBot-VA 2.

0则作为基于以上技术的集大成者，实现视频-动作世界的深度融合。 干得更利索，源于从物理世界执行任务角度出发的原生数据驱动。 LingBot-VLA 2. 0作为具身操作基座，在预训练阶段已经覆盖了多种硬件构型。 依托海量真机落地场景，持续反哺模型迭代，适配更多硬件构型与作业自由度。 相较于数字世界模型依托互联网数据快速迭代的成熟路径，物理世界智能的进化，更需要产业场景共建、真机数据沉淀。 而LingBot-VLA 2. 0正是蚂蚁灵波深耕产业落地、推动物理数据共建共享的核心载体。 正如蚂蚁灵波首席科学家沈宇军所言，物理世界的数据获取充满挑战，需要传感器对齐、真实交互等长期积累，这也是LingBot-VLA 2.

0通过海量真机场景反向驱动迭代的核心价值。 在这个体系中，可能有人会问VLA 和 VA 该如何共处。 答案是清晰的：前者解决的是今天能不能用，承担规模化落地与数据沉淀的任务；后者则定义未来能走多远，探索能力上限。 两者并不是割裂的，而是在同一数据体系与技术理念下协同演进。 这种从感知到执行再到预测的闭环，使得全栈大脑不再是概念，而是一种具备工程落地能力的系统设计。 04 重构产业生态，蚂蚁灵波的开源目标与商业落地 任何技术路线，最终都需要在真实世界中接受检验。 在生态层面，蚂蚁灵波已经与星尘、乐聚、松灵、智元、星海图、宇树等多家厂商完成适配验证。

其中，LingBot-VLA 2. 0在预训练阶段已覆盖17个主流机器人品牌的20种构型，这意味着其模型设计具备较强的通用性与兼容能力。 例如在物流分拣场景中，乐聚机器人已经基于相关能力展开应用；在零售药房场景中，国大药房实现了实际部署。 在感知层，奥比中光将LingBot-Depth 2. 0集成进其数据采集设备与SDK，进一步扩大了应用边界。 从评测结果来看，其性能优势也得到了量化验证。 在上海交通大学GM-100评测中，LingBot-VLA 2. 0在双臂操作任务中的平均进度分与成功率均领先于π0. 5与GR00T N1.

7。 在开源策略上，蚂蚁灵波采取了一种相对克制但清晰的路径。 LingBot-VA 2. 0本身暂不开源，但其关键技术支撑，包括LingBot-World 2. 0与LingBot-Video，以及LingBot-Vision和LingBot-Depth 2. 0，已经在Hugging Face与魔搭社区开放。 五项操作任务中，LingBot-VA2. 0性能表现 这种关键能力开源、核心产品闭源的方式，一方面降低了行业进入门槛，让更多开发者可以验证技术路线；另一方面也保留了商业化所需的核心壁垒。 数字世界模型的成功是因为有互联网数据的积累，但物理世界的数据缺口不可能靠一家公司填上，它需要整个行业共建。

这才是蚂蚁灵波选择开源的真实意图。 具身智能的发展，正在从有没有智能，走向智能从哪里来。 通用模型迁移不会消失，它仍然是当前阶段的重要路径。 但随着机器人越来越深入真实世界，这种路径的局限也在不断显现。 具身原生提供的是另一种可能性。 这并不是简单的技术路线之争，而更像是一场关于机器人大脑如何被定义的长期博弈。 通过LingBot-VA 2. 0与全栈体系，蚂蚁灵波给出了一种相对完整的答案。 但这条路径是否会成为主流，仍然取决于两个变量：数据是否能够规模化积累，以及模型是否能够持续泛化。 在这场关于具身大脑的长期竞逐中，真正的分水岭，或许才刚刚出现。

文章原文

新智元报道 【新智元导读】 最近，原力灵机携世界双榜第一模型杀到，一张4090直接训爆机器人。 现场丝滑削黄瓜看傻全场，具身智能正处于「ChatGPT 2. 0时刻」，模型能力正在全面泛化。 硬核现场赶快来看！ 昨天下午， 中关村国际创新中心的大厅中，人们围着眼前的机器人发出一阵阵惊呼。 切黄瓜和叠包装盒的这两个摊位，是现场人气最高的，围观的人群里三层外三层。 先看切黄瓜的这个。 只见眼前的这两只夹爪一手拿刀，一手开始给黄瓜去皮，一套动作行云流水，削去的黄瓜皮极薄，厚度恰到好处。 旁边的工作人员解释道：当我把黄瓜拿走，它能感应到没有黄瓜了，就会放下削皮器。

而在它旁边，叠纸盒的夹爪也是人气爆满。 只见眼前的机械臂双手并用，拿起一张平整的纸盒，然后慢慢叠成立体的包装盒。 这边的夹爪，展示着取出一片面包，然后放进旁边的烤面包机的绝技。 这位人形机器人，秀出拿零食包装袋的绝活。 这边的夹爪，可伸手抓万物，各种形状，各种材质，没有它夹不起来的东西。 而在这个高精度三维结构的搭建操作，则让每个经过的人都发出赞叹。 你看到的这一切，都来自同一家公司：原力灵机。 在Action 2026发布会的现场，我们真实地感受到：具身智能的下一个时代，已经来临！ 在人看来，切黄瓜、叠盒子、捏面包，这些都是不值一提的小事。

然而对于机器人来说，黄瓜有粗细，纸板有韧性，面包一捏就掉渣，每一个动作的完成，都意味着巨大的飞跃，都是感知与控制实时配合的巨大成功！ 具身智能 正处于自己的「ChatGPT 2. 0」时代 2026年，炙手可热的具身智能圈，有一个问题始终绕不过去：这些机器人，什么时候能真正干活？ 我们期待的，不是机器人在舞台上的表演，而是在仓库、在产线上，一天干满二十四小时。 在Action 2026发布会上，原力灵机给出了一个时代判断：具身智能，正处于ChatGPT2. 0时代。 现在，Scaling Law已全面显现，模型能力正从能完成特定任务，加速迈向场景、任务、对象、机型的全方位泛化。

眼看着，重要的突破就在前面！ 然而，通往突破的路上，横着一道坎——数据。 今天的具身模型，大多喂着10万小时量级的数据，这离完成特定任务、全方位泛化，还差着一个数量级。 如果无法完成这个跨越，其他一切都免谈。 在WAIC上，六台搭载了DM0. 5的模型，会挑战用15个小时共同拼装超8万件长城积木 很多人第一反应是：数据不够，那就采啊。 过去两年，行业里确实建起了一座座数据采集工厂，操作员戴上遥操作设备，一条轨迹一条轨迹地去采集，像录磁带一样堆数据。 然而，原力灵机直接打碎了行业内的这一幻想。 CEO唐文斌在发布会上把话说得很直接：100万小时的这道坎，靠采集是跨不过去的。

具身智能跨越「ChatGPT时刻」，难点在哪儿？ 为什么会有这个反直觉的判断？ 原因就在于，采集型数据最大的问题不在贵，在「死」。 首先，单纯的数据采集存在边际效益递减，从1万小时到10万小时能让模型能力增长20%，但再想增长20%，需要的数据量是指数级的。 另外，人工遥操作录下来的轨迹，是人的动作。 喂得再多，模型也只是在模仿别人的人生。 原力灵机的指出，真正有价值的数据，是经过模型输出、又循环回流的数据。 模型在真实场景里干活，成功，失败，纠错，每一条记录都带着模型自己的体温。 数据必须完成从被动「采集型」到真实「场景型」的跃迁。

只有体系化地把模型送进真实场景，全时、稳定地作业，用真实价值驱动规模化使用，回流的数据再反哺模型，才能让数据飞轮自己转起来。 道理大家都懂，可去场景里拿数据，却面临着模型能力不足、集成复杂、连续作业难三大卡点。 怎么破？ 在现场，原力灵机给出了自己的答案——「三级火箭」！ 用模型解决能力不足，用系统解决应用复杂，用场景方案解决连续作业难。 同时，为了承载这些智能，他们还推出了首款具身原生通用机器人——Apex。 硬件底座 具身原生机器人Apex Apex的推出，就是为了给聪明的大脑，配一副「能扛事儿」的躯体。 这个首款亲儿子硬件——Apex，它打破了过去工业机器人的刻板印象，与其说是机器，不如说，它更像是一个随时能给你搭把手的硅基同事。

首先，它手长够得着，还不手抖。 因为个头和普通人差不多，它一伸手，下能摸到地板，上能够着两米高的货架顶，完美覆盖了人类最习惯的工作区。 别看它单臂能稳稳拎起3公斤的重物，干起精细活来，指尖的定位能精准到亚毫米级。 而且，它还能一分钟「换装」，随插随用。 面对不同的差事，Apex主打一个「百变」。 它的底盘、双臂都能像搭积木一样模块化拆换。 只要进了工厂，它就是最不知疲倦的劳模。 不但扛得住超1000小时的高强度连轴转，还能7x24小时带电干活。 就算真没电了，只需30秒就能极速换电。 更离谱的是，换电池的这半分钟里，它的「大脑」依然清醒在线，手上的动作完全不需要重启，主打一个无缝衔接。

当它走入生活场景，你也绝不会感到害怕。 它全身上下找不出一根杂乱外露的线缆，彻底告别了机械感。 原力灵机甚至给它的核心关节用上了透明外壳，内部运转一目了然。 再给它披上人类质感的布料衣服，形象瞬间变得亲和。 第一级火箭 基础模型DM0. 5 火箭第一级决定能飞多远。 这一级，就是发布会的主角——通用基础模型DM0. 5。 原力灵机给它的定位是四个字：泛化涌现。 相比DM 0，DM0. 5取得了堪称飞跃的进步。 官方公布的数据是：它的参数量达到4B，基于15万小时多源数据训练，对比上一代DM0，数据量提升400%，参数量提升100%。

它的核心突破就在于，让机器人从「按程序执行」走向「理解任务并做出行动」。 再看成绩单，RoboChallenge、Libero、RoboTwin2. 0等榜单第一。 RoboChallenge真机评测Table30 V2中，它取得了42%成功率，拿到了60. 1的总得分，排名第一。 看，下面这个机械臂真刀真枪在桌面上完成了30类任务，光线、摆位、物体，全是实打实的物理世界。 在单臂操作环境Libero与双臂操作环境RoboTwin2. 0仿真基准中，DM0. 5微调能力双双夺魁。 LIBERO评测综合表现99%，基准正在被打穿，快没题可刷了。

真正拉开差距的战场，已经挪到真机上，而真机榜的头名，就是DM0. 5。 在H100平台，推理延迟压到50ms。 机器人没法像聊天助手那样，眼前的杯子歪了，它得当场伸手接住。 50ms，已经贴近人类反射弧的量级。 代际提升同样硬：Zero-shot提升31%，Few-shot提升45%，Fine-tuning提升20%。 没见过的任务，它会直接上手，强了三成；给几个示范就会干，强了将近一半。 这两项，恰恰体现了「泛化」的进步。 架构上，DM0. 5带着60秒长时记忆，外加一套双系统大脑：Sys2负责深思熟虑，Sys1负责直觉反射，慢想与快做各司其职。

读过卡尼曼《思考，快与慢》的人对这套命名不会陌生，人脑处理世界，靠的正是直觉系统与理性系统的这种分工。 身体方面，他同样不挑：双足人形、轮式、双臂、单臂，多类异构机型都能快速适配。 而它真正的杀手锏，是成本——微调成本下降了60%。 一块4090显卡，最快18小时可完成一个下游任务。 从此，一个三五个人的机器人小团队，办公室角落一台游戏显卡攒出来的工作站，下班前挂上训练任务，第二天下午，机械臂已经会干一个新活了。 放在两年前，同样的流程，起步价是一组A100集群加一支算法团队。 门槛的下降，让高校实验室用得起，中小集成商用得起，行业客户自己也养得起。

用的人多了，更能让场景数据回流。 第二级火箭 打通「最后一公里」的DexDev平台 接下来，我们到了具身智能的安卓时刻。 第二级是开发者平台DexDev，专治「开发应用极其复杂」，包含三个部件。 DFOL 2. 0与世界模型DW0. 5 在真机上做强化学习成本极高，为此原力灵机推出了通用具身世界模型 DW0. 5。 它能准确预测物理世界规律，甚至能评估任务进度（相关性达95%以上）。 DFOL2. 0是世界模型驱动的后训练框架，把强化学习搬进虚拟世界。 在真机上试错一次就是真金白银，摔一跤可能就是一条机械臂。 DFOL2.

0用世界模型DW0. 5当高保真仿真器，让模型先在虚拟环境里千锤百炼，再上真机。 在DW0. 5的驱动下，DFOL 2. 0 让模型在虚拟环境里在线闭环试错，真机数据需求下降60%，训练成本下降40%。 行业首个具身通用MaaS服务 为了降低使用门槛，原力灵机推出了具身MaaS API。 开发者无需自行配置复杂的机器与环境，一行命令即可调用零样本泛化模型，云端推理延迟约150毫秒。 其定价低至1元人民币/百万Token，每小时持续调用的成本与雇佣真人相当。 具身通用操作系统DexOS 为了划清模型和硬件之间的责任边界，DexOS 提供了一套「具身上下文协议」(ECP)。

模型只需下发抽象、标准的意图，而平滑控制、传感器标定等复杂物理执行由硬件底层的 DexOS 完成。 几行代码完成机器人接入，换了机型，不用从头适配。 对开发者来说，过去横在面前的那几个月集成周期，被压成了几行命令。 现在，该系统已首批适配了天工人形、华勤F1、史河机器人等多款生态硬件。 第三级火箭 Ferrata系统，让场景全时连续作业 第三级火箭叫 Ferrata，它的使命是保证机器人进了真实场景后能一直干下去，从而转动数据飞轮。 原力灵机与刚刚完成合并的原力聚合机器人（Atomix）共同在物流拆零拣选场景交出了一份务实的答卷。

它已经在某个行业头部客户的仓库里跑完实地测试，规模超10万SKU，日订单峰值数万单。 物流行业痛点明显：体力劳动重复乏味，人员流失率高，分拣打包环节占用了超过70%的人力。 针对此，Ferrata采用三级任务分层兜底设计： L1 层（简易有效）： 使用简单的坐标机械臂和吸盘，处理纸箱、规则商品等50%-60%的简单拣选任务，成本极低。 L2 层（复杂智能）： 由 DM0. 5 驱动的具身机器人处理不规则、难以吸附的复杂商品，覆盖 80%-90% 的长尾任务。 L3 层（人工兜底）： 对于极少数机器无法处理的异常订单，由人工在白天工作时段进行兜底处理，确保业务系统 100% 顺畅流转，绝不卡壳积压。

通过这套逻辑，机器人能实现 24 小时不间断作业，系统投资回报期被压缩至 18-36 个月。 更重要的是，L2 层面产生的所有真实「失败与接管数据」，都会源源不断地回流反哺模型，让机器人每一天都变得更聪明。 聚光灯会灭，产线的灯不会 发布会最后，这句话打动了我们。 中国具身智能不缺优秀的人才，不缺丰富的数据，不缺领先的硬件。 真正稀缺的，是对物理世界的敬畏心，是愿意长期扎根的耐心，是把每一个场景做扎实的坚持。 过去一年，太多公司把精力花在「谁更像人」的竞赛上。 然而，物理世界看到不是才艺，在真实场景中，产线绝不接受反复NG。

原力灵机给自己定的路线，显得非常朴素：把模型训练到极致，把系统打通到极致，把场景验证到极致，穿越具身智能的技术周期与产业周期，让机器人真正走进工厂，走进生活，走进每一个需要它的真实角落。 三个「极致」，对应的正是三级火箭的三级。 如今，我们已经迎来了具身智能真正的考场。 ChatGPT时刻，或许就会在100万小时的真实作业里，逐渐接近。 秒追ASI ⭐ 点赞、转发、在看一键三连 ⭐ 点亮星标，锁定新智元极速推送！ 文章原文

全球首个「具身原生」预训练模型发布，从物理世界出发为机器人造大脑！ 开源第四弹：LingBot-VA 2. 0 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 终于，那句用来教育年轻人的经典嗑，也是用到机器人身上了： 你们啊， 眼光得放长远点~~[看] 为啥？ 因为一个靠谱的机器人啊，它不能只是看到什么就做什么，现在还得学会预判未来—— 眼睛是看到了当下的这一帧，但脑子应该在盘算几步之后的画面了。 这个事儿在具身智能圈有个专门的名字，叫做VA（Video-Action）模型。 咱们先来感受一下这个feel： 视频地址： https://mp.

weixin. qq. com/s/BbgMERwM08nKqwv2ydcxHA 从视频中我们不难看出，桌上的冰球不仅速度快，轨迹还在不断变化，如果机器人只靠”看到哪打到哪”的反应式操作，大概率要被KO掉的。 正确的解法，应该是模型一边盯着球的运动轨迹，一边提前预判几步之后球会跑到哪，然后提前调整身位、伸拍。 这就是“预判式控制”和“反应式控制”的本质区别。 不过啊，就在今天，VA这件事儿本身也要变了。 因为从现在起，VA模型不仅要“眼光放长远”，还得从娘胎里就是具身的！ 这就是蚂蚁灵波刚刚发布的LingBot-VA 2.

0，全球第一个具身原生的预训练VA基座模型。 从架构，到数据，再到训练目标，第一天起就是为机器人量身定制的。 除此之外，其它亮点还包括： - 双臂任务成功率93. 6% - 单GPU推理150Hz - 因果DiT+稀疏MoE主干 和前几天蚂蚁灵波三连弹开源+发布一样，LingBot-VA 2. 0一经发布，同样引发了不小的热议，网友们纷纷表示： 机器人技术正在迈入一个新时代。 天生“预言家”的机器人 看完上面这段冰球对战之后，有小伙伴可能会好奇了：LingBot-VA 2. 0的这种预判能力，扛不扛得住更复杂的真实任务？

巧了。 研究团队在真实机器人身上还做了几组不同维度的测试，可以看出VA模型会先在脑子里做预判，把动作建立在对物理动态的预测之上。 任务一：整理桌面 面对一张东西摆得乱七八糟的桌子，机器人要先看懂桌上有哪些物体，哪些应该被移动，移动到哪里。 我们来看下LingBot-VA 2. 0的表现： 视频地址： https://mp. weixin. qq. com/s/BbgMERwM08nKqwv2ydcxHA 这项任务背后考验的，是模型对长时间跨度任务的状态维持能力；若是记性不好的话，机器人很可能收拾到一半就忘了自己刚刚收拾到了哪一步。

LingBot-VA 2. 0的高维planner面对任务会首先做一个任务拆解，比如左臂负责收拾垃圾归位，右臂把笔和鼠标等文具复位，双臂并行推进还要避免空间冲突。 视频预测分支天然携带时序状态记忆，每一步操作后的桌面新状态都在模型预测范围内，不会出现“断片”返工。 语义视觉-动作分词器让视觉latent同时对齐语义信息，物体类别与目标位置的理解在长序列中保持稳定。 从最终效果看，机器人顺利完成了全桌面整理，说明LingBot-VA 2. 0完全可以应对更接近真实生活的长程操作。 任务二：传送带抓取 这次任务的场景更接近工厂、仓储里的真实作业。

物体在传送带上持续移动，机器人要抓的不是一个静止的目标，而是一个正在移动的目标。 这就要求动作的时间节奏必须和物体的运动节奏严丝合缝地对上，早一点或晚一点，抓取动作都可能扑空。 视频地址： https://mp. weixin. qq. com/s/BbgMERwM08nKqwv2ydcxHA 这个任务考验的是机器人对连续运动场景的时间对齐能力。 同样的，LingBot-VA 2. 0加持的机器人依旧成功完成了传送带抓取，动作和移动目标实现了同步。 传统工业方案依赖外部传感器（光电开关、编码器）做触发同步，纯视觉方案则需要模型自己算准时间。

产线节拍固定，机器人不仅要抓得到，还要跟得上整体节拍，不能成为产能瓶颈。 LingBot-VA 2. 0把物体正在移动这件事直接纳入动作决策，不只是识别当前位置，而是预测抓取动作完成瞬间物体的所在位置，把动作执行的时间开销提前算进去。 任务三：抓薯片 比起前两组，这一组的挑战换了个方向。 不比抓得准不准，看得是抓得够不够轻： 视频地址： https://mp. weixin. qq. com/s/BbgMERwM08nKqwv2ydcxHA 我们都知道薯片是又薄又脆的，所以机器人既要精确把握夹爪和薯片之间的相对位置，做到细粒度的视觉伺服，又不能一使劲就把薯片捏碎。

这就对模型保留局部视觉细节的能力提出了很高要求。 从演示结果看，机器人完成了对薯片这类薄片物体的抓取，过程里既要保持视觉上的精细判断，也要控制动作幅度和力度。 虽然这三组任务分别对应的是长程记忆、时间对齐、精细操作三个不同维度。 但其实它们都在指向同一件事儿，即LingBot-VA 2. 0是靠对物理世界演化的预测，提前把动作规划到位。 （LingBot-VA 2. 0完整能力视频如下） 视频地址： https://mp. weixin. qq. com/s/BbgMERwM08nKqwv2ydcxHA 那么接下来的问题是： 怎么做到的？

我们可以把LingBot-VA 2. 0背后的技术，拆解成四部分来看。 首先，是新一代VAE。 过去做视频生成的VAE，任务相对来说是比较单纯的，就是把视频压缩成一堆latent，再尽量原样解压回去，目标是做到“像”，跟语义、动作没有太大的关系。 但LingBot-VA 2. 0用的是一套语义视觉-动作分词器（semantic visual-action tokenizer），它不满足于压缩得像，还要求视觉latent同时对齐语义和动作。 为此，团队让视觉分词器在做像素重建的同时，额外向一个冻结的视觉基础模型对齐特征，把语义信息也塞进latent里。

然后再单独训练一个只看视频、不需要动作标签的隐动作模块；通过一对逆动力学模型和正向动力学模型，从连续两帧latent里反推出中间发生了什么样的动作。 这样一来，哪怕是一段完全没标注过的网络视频，也能被模型学出动作相关的监督信号。 其次，是因果预训练。 第一代LingBot-VA的做法，是把一个双向注意力的视频生成模型“手术式”地改造成单向因果模型，再用有限的机器人数据做微调。 不过这样做的问题在于，这种改造式路线天然存在风险，因为机器人数据本来就稀缺，改造过程很容易把预训练阶段学到的广泛先验知识给磨没了。 所以LingBot-VA 2.

0选择了一条更彻底的路：从第一天起就用因果架构从零训练整套模型，让模型天然按照“只能看过去、不能看未来”的时间线学习，这就恰好匹配闭环控制里“当下不能预知未来”的物理现实。 这个因果的next-latent预测目标，既能吃下海量网络视频做自监督，又天然匹配机器人闭环控制的时间结构，不用再走“先学双向、再改单向”的弯路，避免损伤模型原有的能力。 第三个改动，是给模型装上了稀疏MoE。 虽然模型容量越大，理论上越聪明，但如果每次推理都要把所有参数跑一遍，机器人的反应速度肯定跟不上。 为此，LingBot-VA 2. 0的解法，是给负责视频预测的这条支路换上稀疏MoE架构——总参数量做大，但每次推理只激活其中一小部分专家网络。

具体来看，视频主干总参数约13B，推理时激活参数只有约1. 9B；算上负责动作解码的部分和辅助训练模块，整个模型训练参数量约15. 3B，但推理时每个token实际激活的参数只有约2. 5B。 如此设计，便让能力上限往上扩的同时，实时推理压力尽量压住。 更直观的结果，体现在推理速度上。 经过一致性蒸馏、低精度编译执行、长程注意力优化和运行时开销削减之后，LingBot-VA2. 0的推理时间从baseline的965ms/chunk降到142ms/chunk，异步控制频率也从33Hz提升到225Hz。 换句话说，模型每142ms就能输出一个包含32个action的动作chunk，最高异步控制频率可以做到225Hz。

对于需要实时闭环控制的机器人来说，这个速度提升非常关键。 LingBot-VA 2. 0最后的改动，便落在了推理阶段的执行方式上。 如果模型和机器人是串行工作的（也就是模型算完一步、机器人才动一步，动完之后再等模型算下一步），那模型的计算延迟，会直接变成机器人的动作延迟，闭环控制的实时性根本无从谈起。 LingBot-VA 2. 0为此设计了一套叫Foresight Reasoning的异步推理机制： 机器人执行当前动作片段的同时，模型已经在并行脑补下一步——先想象当前动作执行完之后画面大概会变成什么样，再基于这个想象结果，提前把下一步动作准备好。

但提前脑补这件事本身有风险，如果模型一直拿自己脑补的结果当真实输入，很容易脱离真实物理世界。 为了避免这种漂移，LingBot-VA 2. 0会在每一次真实观测返回时，用最新的真实画面重新校准，把脑补的预测拉回现实。 本质上，我们可以把它理解为是一套“预测-执行-纠偏”的闭环机制。 而经过上述四步的改动后，效果也是立竿见影的。 在RoboTwin 2. 0这个仿真基准上，LingBot-VA 2. 0在Clean（干净场景）、Randomized（域随机化场景）、Avg（平均）三项成绩分别达到93. 8%、93. 4%、93.

6%，相比第一代LingBot-VA的92. 9%、91. 6%、92. 2%都有提升，也全面超过π0. 5、Motus等基线模型。 消融实验也印证了新分词器确实有用：在50个任务的Easy/Hard平均结果上，用自研分词器的模型成绩为86. 6%和83. 1%，明显高于换成通用WAN2. 2 VAE方案后的78. 0%和76. 0%。 MCP（多步预测）这个训练时的辅助目标，同样带来了实打实的效率提升：在50fps的随机化设置下，用了MCP的版本，训练5000步后成绩就已经比不用MCP的版本高出29. 7个百分点；而且只用20000步，就能达到不用MCP时训练45000步才能达到的准确率，相当于2.

3倍的训练加速。 从整体结果来看，LingBot-VA 2. 0已经把“更懂物理变化”、“更高频闭环控制”、“更少样本适配新任务”这几件事，放进了同一套系统里。 机器人大脑，全栈步入2. 0时代 最后的最后，我们还需要聊聊一个话题： LingBot-VA 2. 0，到底意味着什么？ 这次技术升级开启了“具身原生”的时代，让具身基模正式从“基于数字世界模型的能力嫁接”转向“面向物理世界需求的原生设计”。 机器人模型的训练目标，正在从理解指令、输出动作，往学会预测动作会如何改变世界迁移。 但我们若是把LingBot-VA 2.

0放到蚂蚁灵波连续几波开源和发布的这条链路上来看，它的定位、蚂蚁灵波要做的事，会变得更加清晰。 从LingBot-Depth 2. 0，到LingBot-VLA 2. 0，再到LingBot-Video，直至今天的LingBot-VA 2. 0，蚂蚁灵波正在逐步揭开机器人大脑2. 0的全貌： LingBot-Depth 2. 0解决的是空间感知问题，LingBot-VLA 2. 0解决的是当下就能落地的动作执行问题，LingBot-Video补上的是视频生成模型推理效率的短板，而LingBot-VA 2. 0，则进一步把这些能力汇聚到预测式控制上。

把它们串起来看，这就是一条非常清晰的，从“看清楚世界”，到“理解物理世界”，再到“在真实世界里连续行动”的完整链条。 对整个具身智能行业来说，这也是一个很值得关注的变化。 当机器人本体越来越成熟，行业接下来要拼的，可能不只是手有多巧、腿有多稳、身体有多灵活。 更关键的会是，这颗大脑，是不是从出生那天起，就真正为物理世界而生。 网站： https://technology. robbyant. com/lingbot-va-v2 技术报告： https://github. com/Robbyant/lingbot-va/blob/main/LingBot_VA2_paper.

pdf - 刚刚，全球首个具身专属的MoE视频模型，开源了！ 2026-07-09 - 60000小时炼出新开源VLA！ 20多种机器人都能用2026-07-08 - 刚刚，首个空间原生的具身视觉基模开源！ 机器人更会看我们的世界了2026-07-07 - 模型不是企业的护城河，那什么才是？ 2026-07-06