60000小时炼出新开源VLA！20多种机器人都能用

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 60000小时炼出新开源VLA！20多种机器人都能用 十三 2026-07-08 11:54:42 来源： 量子位 蚂蚁灵波Lingbot-VLA 2.0 金磊 发自 凹非寺 量子位 | 公众号 QbitAI 整整 60000小时 的预训练数据。 一个新 VLA （视觉-语言-动作），就这么水灵灵地被“喂”了出来，而且还是 开源 的那种。 这就是 蚂蚁灵波 刚刚发布的 LingBot-VLA 2.0 ，一个面向复杂物理世界任务的通用VLA模型。 先来聊聊这60000小时真实物理数据是怎么来的。 其实它包含两个部分，其中50000小时来自机器人轨迹数据，覆盖20种机器人构型；另外10000小时来自第一视角人类操作视频。 而距蚂蚁灵波1月发布LingBot-VLA 1.0仅半年时间来， 数据规模 从20000小时直接 乘了个3 。 那么效果又如何呢？ 来，直接上结果： 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw 我们从视频中可以看到，机器人先从操作台上拿起饮料、水果放进篮子里，再拎起篮子移动到冰箱前，打开冰箱门、把东西一件件放进去，最后关上冰箱门。 一整套长序列的移动操作，一气呵成，相当丝滑。 不过有一说一，数据规模还仅仅是LingBot-VLA 2.0亮点的一隅，在细扒相关技术报告后我们发现： 支持20多种机器人构型； 从双臂扩展到头部、腰部、移动底盘、灵巧手等更完整的动作空间； 融合LingBot-Depth，让机器人获得更强空间理解能力； 在英伟达RTX 4090上推理延迟低于130ms。 而不少网友们看到LingBot-VLA 2.0的发布后，更是直呼： 开源的具身模型正在加速机器人技术在现实世界中的应用。 机器人干活，更利索了 接下来，我们先继续来直观感受一下在LingBot-VLA 2.0加持之下，机器人干真实世界家务活儿的表现如何。 第一个任务是 清理灶台 。 它比刚才的冰箱收纳来说，更加接近真实生活中的厨房场景： 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw 机器人面对炉灶、锅架、海绵等一桌子物品，需要先将障碍物挪开、取放妥当，然后精准地拿起海绵擦拭灶台，最后还得把相关物体物归原位。 从机器人的表现来看，LingBot-VLA 2.0是经受住了真实环境里的连续决策和精细交互的考验。 再来看一个任务， 调料收纳 。 这类任务更考验双臂协同和空间关系处理能力，机器人要清楚每个物体分别放在哪、彼此间距多远、桌面结构长什么样，光靠看画面是不够的，还得有空间感。 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw 再来感受一下带LingBot-Depth 2.0深度热力图、物体边界Token掩码、余弦相似度热图的效果： 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw 而这正是LingBot-VLA 2.0 默认融合LingBot-Depth 之后带来的能力升级，精准拿捏住了机器人自身和空间之间的关系。 若是我们把这三个案例放到一起，LingBot-VLA 2.0要做的事儿就比较清晰了： 它是希望通过同一套具身大脑，能够做到迁移到不同身体、不同场景、不同任务里。 换言之，为某个机器人专门训的专用模型不是目的，关键是一套能复用的通用具身操作基座。 （完整能力视频如下） 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw 还学会了预测未来 在看完效果之后，接下来的问题就是LingBot-VLA 2.0是如何做到的。 我们 先从数据说起 。 在第一代LingBot-VLA开源时，外界就已经关注到一个点，真实世界机器人数据越多，VLA模型能力越强，而且这种提升还没有明显到头。 到了LingBot-VLA 2.0，这条路线还在继续被往前推。正如我们刚才提到的，它的数据管线从9万小时数据中清洗出5万小时高质量真机数据，又从2万小时第一视角人类操作数据中提炼出1万小时有效数据，总预训练数据达到6万小时。 但数据量增加还只是表象。更关键的是这些数据覆盖了更多机器人形态、多视角、多任务、多动作模式。 团队在技术报告中列出的机器人构型便包括Leju、Franka、AgileX、ARX Lift2、Galaxea R1Pro、Astribot S1、Unitree G1、Fourier GR-2、AgiBot A2等，总计 20种 embodiment。 我们知道语言模型吃的是文本，但到了VLA这里，吃的是“视觉、语言、动作”的组合。 它不光要知道“把水果放进冰箱”这句话是什么意思，还要知道机械臂该怎么接近物体，夹爪什么时候闭合，底盘什么时候移动，冰箱门打开后空间关系如何变化。 所以数据越丰富，模型越有机会学到更通用的操作规律。 除了数据够“厚”之外，LingBot-VLA 2.0的另一个关键，在于它 把动作空间打通了 。 不同机器人有不同关节、不同夹爪、不同底盘。双臂机器人、人形机器人、移动机械臂，在身体结构上差异很大。要让同一个VLA模型迁移到不同身体上，就需要把这些差异映射到一个统一的动作空间里。 LingBot-VLA 2.0这次把动作空间从双臂进一步扩展到头部、腰部、移动底盘、灵巧手等自由度。 真实世界复杂任务往往需要多个身体自由度协同完成，LingBot-VLA 2.0的目标就是提升机器人在开放场景、长序列任务和多自由度协同任务中的表现。 更有意思的是，LingBot-VLA 2.0还学会了 预测未来 。 过去很多VLA模型更像是反馈式执行，看到当前画面，生成一个动作；执行完之后，再根据下一帧观察结果继续修正。但这种方式能形成闭环，但在长序列任务里容易出现问题。 因此，LingBot-VLA 2.0引入了未来深度预测和语义特征预测，让模型在生成动作时同时理解当前状态和预测未来状态。 具体来讲，团队给视觉和文本token额外挂上两组可学习的query token，一组对应当前时刻，一组对应未来时刻；再分别用负责几何信息的深度模型LingBot-Depth，和负责语义、时序信息的自研视频表征模型DINO-Video做蒸馏监督，让模型不仅理解眼前的场景，还能提前预判物体位置、空间关系和任务状态接下来会怎么变化。 由此，我们便可以把LingBot-VLA 2.0在技术上的升级归结为： 数据更厚，身体覆盖更广，动作空间更完整，模型还具备一定前瞻式时序理解能力。 GM-100上见真章 模型好不好，评测结果也是很好的证明。 这次LingBot-VLA 2.0在 GM-100 多任务Generalist Benchmark上选取9个任务，与GR00T N1.7、π0.5、Li