20种机器人本体通吃！蚂蚁新一代VLA具身大脑刚刚开源了|人形|动作|本体|机器人|空间感知模型|蚂蚁

编辑｜杜伟

时隔 5 个月后，蚂蚁灵波亮出了自家新一代具身智能大脑。这一次，它试图把跨本体 VLA 从单点 Demo，推向可复现、可高效后训练与可部署的工程链路。

2026 开年以来，具身智能最重要的技术路线之一 VLA（视觉-语言-动作），其受行业关注的程度以及向前推进的速度超出了很多人的想象。

科技巨头英伟达推出专为人形机器人打造的开放 VLA 系列 GR00T N1.6 和 GR00T N1.7，具身智能独角兽 Physical Intelligence 推出的 π0.7 展现出了组合泛化、跨本体迁移能力。在国内，VLA 领域同样是百花齐放，涌现出了以蚂蚁灵波 LingBot-VLA 为代表的基座模型。

它们的出现让行业形成共识：机器人要进入开放环境，必须把视觉理解、语言指令和动作生成放进同一个模型框架里。同时，当把机器人从实验室搬到开放场景，各种现实问题很快出现：桌子高度变了、物体位置偏了、任务步骤被拉长了，换一台机器人本体又得重新适配。

不少 VLA Demo 已经能在特定设置下跑通，但距离稳定执行、跨本体泛化和低成本规模化部署，仍需要跨过数据、本体适配、工程系统等多重阻碍。这也是 VLA 进入深水区的原因，并带来了更现实的技术难题：机器人需要一颗什么样的通用大脑？

面对真实世界的多样机器人任务，蚂蚁灵波今天正式发布新一代具身基座模型 LingBot-VLA 2.0。

相较于上代版本，此次 LingBot-VLA 2.0 死磕「一脑多机」这个行业核心问题，对 17 家厂商的20 种机器人构型实现了支持，并将动作范围从机械臂扩展到头部、腰部、末端执行器和移动底盘等全身自由度。

做到如此程度的跨构型泛化，蚂蚁灵波在包括数据管线、动态建模和空间感知在内的多个层面给出了独到解法：在6 万预训练高质量数据的基础上，引入未来预测能力，更能把握任务状态的持续演化；同时默认融合自家模型 LingBot-Depth 的空间感知能力，增强机器人对距离、空间关系和场景结构的判断。

这样的组合，让 LingBot-VLA 2.0 在多构型适配、连续任务执行和真实场景操作中有了更强支撑。

https://mp.weixin.qq.com/s/fF9D9Vvx3PsFrdy94eKyVg

全方位加强的能力，让 LingBot-VLA 2.0 在多项基准测试中的表现有了立竿见影的提升。其中，在上海交通大学 GM-100 评测体系中，模型在 AgileX Cobot Magic 和 Galaxea R1 Pro 两个双臂机器人平台上的平均任务进度分和成功率均领先竞品模型 GR00T N1.7 和 π0.5：

在移动能力上，LingBot-VLA 2.0 基于「方舟机械臂 + 松灵底盘」和绳驱轮式人形机器人星尘智能 S1 两类构型，与 π0.5 进行了初步对比测试。结果显示，其在长程移动操作任务中的任务进度分和成功率相较于 π0.5 同样取得领先，并在跨域场景中保持优势：

蚂蚁灵波延续了上代的开源策略，一次性将 LingBot-VLA 2.0 的模型权重、训练代码与技术报告开放了出来。开发者可以在 Hugging Face、魔搭社区获取。

技术报告：From Foundation to Application: Improving VLA Models in Practice
报告地址：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf
项目页面：https://technology.robbyant.com/lingbot-vla-v2
代码库：https://github.com/robbyant/lingbot-vla-v2
Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vla-v2
ModelScope：https://modelscope.cn/collections/Robbyant/LingBot-VLA-V2

将同一个大脑安在 20 个本体上，LingBot-VLA 2.0 做了什么？

同一个 VLA 模型跑到不同的机器人本体上，这件事实现起来并不容易。

机器人本体形态以及关节结构、自由度、动作空间、控制接口五花八门。模型首先要学会在不同本体之间迁移能力。此外，跨本体 VLA 的实现还要解决机器人全身协同、长序列任务演进以及空间感知理解所面临的诸多挑战。

放在这样的背景下，LingBot-VLA 2.0 的升级重点变得清晰：围绕一脑多机的落地补齐能力短板。

强大的多本体泛化成为实现一脑多机的重要前提。LingBot-VLA 2.0 在预训练阶段覆盖17 个国内外主流机器人品牌，包括乐聚、宇树、智元、松灵、星海图、银河通用、星尘、睿尔曼、方舟、北京人形、傅立叶、魔法原子、千寻、零次方、非夕、青龙及 Franka，并共计支持 20 种机器人构型，覆盖单臂、双臂、轮式、双足等多种形态。

这样的跨本体泛化能力，让不同机器人平台之间的重复适配成本下降。对于客户来说，他们可以更快完成新本体、新任务和新场景的部署与落地。

但要做到一脑多机，只扩大支持的本体类型还不够。VLA 模型还要能够处理多类型本体带来的更复杂动作空间。

面对真实场景机器人的全身协同需求，LingBot-VLA 2.0全面扩充了对头部、腰部、末端执行器和移动底盘等自由度的支持。头部决定机器人看哪里，底盘决定从哪里接近目标，腰部影响操作姿态，末端执行器完成最终交互。只有多个自由度协同起来，机器人才能处理更接近真实场景的开放任务任务。

当机器人换了身体与场景、任务链条也变长之后，一脑多机还要求 VLA 模型学会提前判断任务变化，不能只根据眼前画面做即时反应。

LingBot-VLA 2.0 引入了未来预测（future prediction），其核心是让模型在生成动作时，除了理解当前看到的内容，还有能力预测接下来可能发生什么。

以机器人整理冰箱为例，它需要连续完成移动、开门、抓取、放置、整理、清洁等多个环节，每一个环节都影响下一步动作。未来预测的加入，使模型更能理解动作后果，减少任务中途偏移和中断。

再往底层看，跨本体的实现离不开强大的三维空间感知能力。在机器人操作中，看见只是第一步。真正执行动作时，机器人还需要「眼观六路，耳听八方」。

LingBot-VLA 2.0 天然集成了自家LingBot-Depth的空间感知能力，让模型在生成动作前获得更充分的环境理解。相比只依赖图像和指令输入，Depth 带来的空间信息有助于机器人理解物体之间的空间关系、距离和场景结构，从而在复杂物理环境中做出更稳定的操作决策。

这项能力对于开放场景尤为关键。空间理解越充分，出现抓取偏差、碰撞风险和后续任务中断的概率就越低。

蚂蚁灵波给出的这套组合拳打法，让跨本体 VLA 从 Demo 走向了工程现实。它的实现又可以拆分为上下两层：上层是架构，解决不同本体如何共用一套 VLA 能力；下层是数据，解决模型如何获得足够多、足够干净与足够多构型的真实操作经验。

架构升级：MoE 处理本体差异，双查询蒸馏补上未来预判

具体到方法上，LingBot-VLA 2.0 主要做了两件事：用 MoE 处理多本体数据的差异，用双查询蒸馏补强空间理解和时序预判。

得益于 LingBot-VLA 2.0 底层采用了统一动作表示，模型有了学习跨本体共性动作模式的基础。

在这个统一动作空间之上，LingBot-VLA 2.0 进一步引入了 MoE 架构。我们知道，多本体机器人数据同时包含不同动作空间、不同本体动力学和不同任务分布。如果所有数据都被压进同一个稠密参数路径，模型很容易在共性和差异之间相互干扰：一部分参数要学习通用操作逻辑，另一部分又要适配不同机器人身体的特定动态。

因此，LingBot-VLA 2.0 在动作专家中引入了 token-level loss-free MoE，用 MoE FFN 替代原有前馈网络，让模型在扩大容量的同时更好吸收不同本体之间的共性和差异。

这里的关键有两点：一是 loss-free MoE，它将专家负载均衡和主要动作学习目标解耦，避免 MoE 辅助损失直接干扰动作预测。对于 VLA 这种强依赖动作学习的模型来说，主目标越干净，训练越不容易被额外约束带偏。

二是 token-level 路由。LingBot-VLA 2.0 采用 sigmoid 路由，让每个 token 可以激活多个专家，其中轻量共享专家保留通用先验，路由专家负责更细分的建模能力。模型可以在 token 粒度决定哪些信息走通用路径，哪些交给更专门的专家处理。

这套 MoE 的意义在于，让通用能力与本体差异可以在同一个架构中被同时建模。它解决的是「多机器人怎么一起学」的问题，接下来的双查询蒸馏则用于补强空间理解和时序预判。

具体来讲，LingBot-VLA 2.0 在视觉和文本 token 中加入两个可学习的 query，分别对应当前观测和未来观测。并且，这两个 query 从以下两个教师模型中学习：

LingBot-Depth 提供了明确的几何监督，让模型获得深度、距离和空间结构等线索；DINO-Video 提供带因果时序的视频表征，帮助模型理解视觉状态、空间关系和动作后果如何随时间演化。

DINO-Video 是这套设计里的关键时序教师。它基于 Meta DINOv3 构建，引入了 block-wise 因果时序注意力和 3D-RoPE，在互联网视频、第一视角视频和机器人视频组成的 500 万视频片段上训练。

这套双查询蒸馏框架，把当前空间理解和未来状态预测同时接入 VLA 的训练目标。只看当前帧，模型很容易陷入短视；具备未来几何和语义表征后，模型才有机会提前判断物体位置、空间关系和任务状态的演化。这对长序列任务尤其重要。

LingBot-VLA 2.0 概览

整体来看，MoE 负责提升模型对多本体异构数据的建模，LingBot-Depth 补上空间感知能力，DINO-Video 加强对动作过程和状态演化的时序建模，它们让 LingBot-VLA 2.0 在跨本体任务中学习更稳定的动作控制和未来预判能力。

数据工程：把异构数据整理成一套可训练经验

跨本体 VLA 的实现，同样离不开大规模、高质量的数据。LingBot-VLA 2.0 的另一项重磅升级，就发生在数据侧。

对机器人基座模型来说，数据是能力增长的基础设施。相较于语言模型的互联网文本数据与视觉模型的图像与视频数据，机器人数据的获得和标准化都更困难：采集成本高，控制信号和动作标注容易受到噪声影响，不同本体之间存在差异，真实场景的覆盖也更复杂。

LingBot-VLA 2.0 在数据管线和训练体系上进行了系统性升级。

蚂蚁灵波从 9 万小时数据中清洗出 5 万小时高质量真机数据，并从 2 万小时第一视角人类操作数据中提炼 1 万小时有效数据，使预训练数据总量达到 6 万小时。前者提供多本体机器人在真实物理环境中的操作经验，后者补充了人类第一视角下的手物交互轨迹。

LingBot-VLA-2.0 所用预训练数据集的可视化。该数据集包含 20 种机器人本体，覆盖机械臂、头部、腰部、移动底盘和灵巧手等自由度。

当然，LingBot-VLA 2.0 的预训练数据不是简单把不同来源的数据堆在一起。蚂蚁灵波通过清洗、重建、标准化和统一表示，将数据转化为模型可以学习的训练样本。

先来看清洗流程，它主要看以下两个条件：

一是轨迹是否可靠。团队会计算动作信号和状态信号的 jerk，也就是三阶有限差分，同时计算速度和加速度的 Z-score，用来过滤动作突变和信号异常的 episode。对于长时间几乎没有动作变化的片段，也会被剔除。如果一个 episode 中状态和动作信号仅有微小变化或基本不变的时间超过 95%，这段数据不会进入最终训练集。

二是视频和状态信号是否对齐。团队会基于对应机器人的 URDF，将机器人投影回图像平面，并重放记录状态，再由人工检查投影结果与真实视频是否一致。画面模糊、严重遮挡、掉帧，以及多视角不对齐的视频，也会在标注过程中被过滤。

接下来关于 LingBot-VLA 2.0 引入的 1 万小时第一视角人类操作数据，同样会先经过视频级 VLM 预筛，去掉第三人称视角、无明确手物交互、无可操作物体等。

此外，对于已有动作或手部轨迹标签的数据，还会统一做元数据处理、时间戳对齐、坐标转换和轨迹完整性检查。对于没有标签的视频，通过 egocentric SLAM 和手部姿态估计，恢复相机运动和手部轨迹，并转换到世界坐标系下。随后继续过滤手部姿态覆盖不足、SLAM 轨迹不稳定、手部轨迹突变或违反人体生理约束的样本。

而为了让机器人数据和第一视角人类视频可以放进同一套训练框架，LingBot-VLA 2.0 采用了 55 维统一状态与动作表示，覆盖机械臂关节、末端执行器位姿、夹爪、手部关节、腰部、头部和移动信号等信息，并预留 4 个维度。另外，对于单臂机器人或者缺少某些身体部位的本体，缺失维度通过 padding 补齐。