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！

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 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！ 十三 2026-07-10 16:01:00 来源： 量子位 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] △图片由AI生成 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