公司情报专家《财经涂鸦》获悉，7月10日，蚂蚁灵波发布行业首个具身原生基础模型 LingBot-VA 2.0，标志着机器人基础模型正式从“基于数字世界模型构建”转向“面向物理世界原生设计”的关键转变。
LingBot-VA 2.0是具身智能发展的一种关键路线选择：机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计。
自7月7日起，灵波在4天内相继发布和开源了6款模型，除LingBot-VA 2.0外，还包括面向空间感知的LingBot-Vision和LingBot-Depth 2.0，面向“一脑多机”的动作模型LingBot-VLA 2.0，面向实时交互的LingBot-World 2.0，和面向更高推理效率的视频生成基模LingBot-Video。
至此，蚂蚁灵波“具身原生全栈技术路线”全面亮相——以具身原生世界动作模型为核心中枢，串联空间感知、灵巧操作与物理世界模拟，形成感知、预测、执行的完整闭环，并在底层深度融合物理数据与虚拟数据，为“一脑多机”的规模化落地提供系统性支撑。
作为收官之作，LingBot-VA 2.0无疑是此前一系列技术栈的“集大成者”
今年以来，世界模型与具身智能的融合一直是各方关注的焦点——机器人要面对的是一个连续变化的真实世界，不仅要针对当前情况作出反应，还要理解一个动作会引发怎样的环境变化，并据此决定下一步动作。
当前行业的主流路线，大多依托面向数字内容创作的视频生成模型，再通过微调的方式适配机器人控制任务。然而，内容创作更在意画质和创意，机器人控制则更在意执行效率和预测的合理性。
更根本的结构性错位在于：面向内容创作的视频模型通常采用双向建模，依赖过去和未来的全局信息来生成连贯画面；而机器人在物理世界中的执行是严格单向、符合物理规律的。这种“预测范式”与“执行范式”的错位，使得后期微调路线容易出现能力迁移不足、动作精度下降和灾难性遗忘等问题。
基于此，LingBot-VA 2.0的一个关键突破，是“放弃对双向视频生成模型的后期微调，基于自回归架构从头开始预训练，原生设计具身世界动作模型。”
其中，LingBot-World 2.0的因果建模范式与LingBot-Vide的MoE设计，均被浓缩进LingBot-VA 2.0的架构中。
通过语义视觉-动作分词器（Tokenizer）、严格的因果预训练范式、MoE 架构（Mixture-of-Experts）、增强的异步推理机制（Foresight Reasoning）四大核心设计，灵波将这些能力融合并重构为一个统一的具身原生基础模型。
以语义视觉-动作分词器（Tokenizer）为例，其在视觉压缩过程中加入了语义与动作信息的对齐，使得模型在后续训练中更容易把“理解指令”转化为“完成动作”，有助于指令跟随与提升动作精度；增强的异步推理机制（Foresight Reasoning）中，机器人在执行当前动作的同时，模型已经开始预测未来状态，并利用最新真实观测不断校正下一步决策。
基于以上设计，在行业普遍面临的具身世界模型执行效率低这一问题上，LingBot-VA 2.0实现了单卡150Hz的实时推理效率。
热门跟贴