刚刚，被李飞飞团队写进代码库的具身底座，现身乌镇峰会“上岗抓药”

机器人一次次靠后空翻和机械舞吸引目光，但真正走进物理世界，它们面对的却是另一番考验。 昨天（11月3日）开幕的2026年世界互联网大会乌镇峰会现场，一家特殊的“零售药房”被搬进了展馆：80 厘米宽的通道两侧，药品密集紧凑地摆放着。机器人在其中有序运转：接收订单、识别目标药品，并完成分拣与交付。 这并非概念演示。相同的方案此前已在上海国大药房的多家零售门店常态化运转，帮助药剂师分担药品分拣等高频、重复性工作。 支撑这一场景的，是蚂蚁灵波开源的具身“大脑全栈 2.0”。它并非单一模型，而是由视觉、深度感知、世界模型和动作决策等多款模型组成，涵盖了机器人从高精度空间理解、到环境理解和动作执行的完整模型套件。 据悉，自今年1月启动开源以来，灵波（Robbyant）已开放 LingBot 系列多款核心模型及相应的权重、代码及技术文档。这意味着全球研究员、开发者和企业都可以基于这套具身底座，进行机器人的适配、训练和二次开发。截至发稿前，相关项目在 GitHub 上已累计斩获超 3.3 万颗 Star，模型下载量突破 220 万次。 这也让今年乌镇峰会“开源开放，共建共享”的主题有了具象化的落点。开源从来不是单向的技术宣告，更不该只由最初的研发者定义：它的价值边界，始终是在更广泛的复用、验证与协作中被不断拓宽的。 这层价值，在科研与工程一线有了更清晰的注脚：斯坦福李飞飞团队 在 OpenWAM 框架中复用其底层组件，韩国权威科研机构选其作为教师模型展开蒸馏，全球最大机器人开发平台 LeRobot 则将其合入了官方主线。 从顶尖学术实验室的代码复用，到主流开发平台的工具链集成，再到药房窄道里的自主分拣，这套来自中国的具身开源底座，不仅切入了全球主流的具身技术坐标系，也提供了一个观察物理世界 AI 演进的重要样本。 同行用代码投票 在开源领域，Star 数反映的是关注度；而代码是否被真正调用，则成了更具说服力的标准。翻开近期具身学术圈近期的几项核心成果，灵波的模型组件正以具体的工程形态被引入研发管线。 最典型的样本来自斯坦福大学李飞飞实验室。今年 10 月初，该团队发布了用于具身智能的统一机器人框架 OpenWAM。在这项探索世界-动作模型（WAM）标准交互范式的研究中，团队没有从零重写整套管线，而是复用了灵波 LingBot-VA 的开源实现与核心资产。 在开源体系中，顶尖实验室选用外部模块极其挑剔。通常需要 极高的模块化程度、干净的接口设计，否则重构成本远高于自研。李飞飞团队在构建前沿学术基准时选择将其作为基础构件，侧面印证了灵波的代码架构这套代码具备极高的规范度与通用性。 面向算力受限的小型机器人场景，韩国顶尖研究机构韩国科学技术院（KAIST）团队在 FastOPD 研究中选定 LingBot-VLA 作为“教师模型”，通过知识蒸馏，将其能力迁移至参数量更小的 VLA 模型中。 在 RoboTwin 2.0 仿真实测中，该套方案展现出 极高的工程收益：在端到端延迟仅增加 1 毫秒（56ms 至 57ms）的极小代价下，一个仅 4.5 亿参数的学生模型在单步推理（NFE=1）中的任务成功率，被直接从 35.3%（原始 SmolVLA）拉升至 51.2%，净增 15.9 个百分点。 模型训练过程中，知识蒸馏能否奏效，主要取决于 教师模型能否提供有效的任务表征与动作指导。KAIST 的实践不仅验证了 LingBot-VLA 底层动作表征的迁移价值，也为端侧具身智能突破算力限制提供了新的路径——让低成本硬件在不显著增加推理开销的前提下，也能 获得更好的机器人操作能力。 而在更大范围的开发者生态中，这种复用正在沉淀为基础设施。 目前，全球最大的开源机器人平台 LeRobot，已将灵波的 LingBot-VA 与 VLA 2.0 正式合入官方主线；主流计算机视觉库 timm 也将其视觉模型收录为主干。 这意味着全球开发者拉取标准库时，LingBot 已经成为原生的“出厂选项”，无需再为环境适配耗费周折。 在脑内预演物理学 我们看到，顶尖团队之所以能够把灵波底座的这些模块抽调出来、嵌入各自的代码库，根源在于其对物理世界的拆解方式。 进入真实作业环境，机器人面临的卡点已经不再是学会某个特定动作，而是在充满变数的现场，稳定把一连串任务做完。机器人不仅要认出药品，还要随时应对反光干扰、货架遮挡和位置偏差。一旦夹爪不慎碰歪目标，整个物理状态就全变了。 这种动态变化也击中了传统控制方案的死穴——正如行业智库 Core Matter 在评测全球七大主流机器人基础模型时，所指出的：“真实环境不会在机器人思考时暂停。”在这一坐标下，LingBot-VA 2.0 凭借 异步预测与执行化解控制延迟 的路线，成为了被重点剖析的技术样本。 为了化解这种 连续的物理扰动与控制延迟，灵波的“大脑全栈 2.0”将复杂的具身控制拆解为三层清晰的能力： 高精度空间理解（LingBot-Vision / LingBot-Depth 2.0）：单纯识别出物体类别远远不够。视觉与深度模型重点学习物体的三维轮廓与空间距离，摸清精确的物理坐标；动态环境交互（LingBot-Video / LingBot-World 2.0）：在机器人行动之前，世界模型在 系统内部持续预演：施加推力后周围会有什么连带反应？物体会不会打滑倾倒？用对物理规律的推演，为后续动作提供路径依据；可泛化灵巧操作（LingBot-VLA 2.0 / LingBot-VA 2.0）：根据视觉信息和任务指令生成动作，让机器人完成抓取、搬运等操作，并提升对不同任务和场景的适应能力。VA 2.0 将预测模型与动作生成打通，让机器人边执行、边观测、边修正。 这种模块化拆解，让机器人面对物理世界时有了 分步推理的抓手，也让外部团队 在研发时能够按需调用特定组件。 但再精巧的算法结构，没有真实物理交互的冲撞，依然只是一套空架子。支撑这套大脑持续进化的，正是 灵波自建的超 10 万小时真机作业数据，它覆盖了 20 多种本体构型、3.6 万种任务，以及近 2 亿条深度感知数据。 在数据工程层面，团队不再迷信录入“完美轨迹”，而是将现场抓空、打滑、碰壁等失败样本视为核心教材。依托端边云流转，现场异常数据能在半天内完成回流洗练，形成可用率超 90% 的高质量训练集。 从标星走向工作流 开源不仅是公开权重。衡量一个开源底座的成色，关键还要看它能否低成本嵌入已有的生产流程，让模型从“可下载”变成“可直接调用和继续开发”。 围绕这一目标，灵波正在推动 LingBot 模型与 主流开发框架、推理引擎及云端服务平台 进行适配。 在机器人开发流程上，LeRobot 合入主线后，动作块生成耗时从 677 毫秒大幅压缩至 127 毫秒，开发者可以沿用 LeRobot 已有的数据管理和训练流程，直接开展模型微调与测试。 在世界模型推理方面，NVIDIA 开源的世界模型推理库 FlashDreams 也正式集成 LingBot-World，并提供专门的模型文档和运行入口；SGLang 也为 LingBot-World、LingBot-Video 提供原生推理管线，支持实时会话、相机控制和连续画面生成。vLLM-Omni 则进一