蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0

7月10日，蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0。它的意义不止于又一则模型发布，更在于机器人基础模型正式从「基于数字世界模型构建」朝着「面向物理世界原生设计」转变——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，做原生设计。

今年以来，世界模型与具身智能怎么融合一直是各方焦点。机器人面对的是连续变化的真实世界，既要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。行业主流路线大多依托面向数字内容创作的视频生成模型，再微调适配机器人控制；但内容创作在意画质与创意，机器人控制更在意执行效率与预测合理性，出发点本就不同。

LingBot-VA 2.0选择直面问题，基于自回归架构从头开始预训练，通过四大核心设计构建原生基模。 其一，引入语义视觉—动作分词器（Tokenizer）作为全新视觉编码器，在视觉压缩中加入语义与动作信息对齐，让「理解指令」更容易转化为「完成动作」；其二，采用严格因果预训练范式，从训练起就用自回归架构，确保视觉预测与动作生成完全遵循单向时间顺序。

其三是引入MoE架构，在不牺牲推理效率的前提下有效扩大模型容量，在性能与效率间取得平衡；其四是通过增强的异步推理机制实现实时闭环控制，在机器人执行动作的同时预测未来状态，并用最新真实观测不断校正下一步决策。基于这些设计，LingBot-VA 2.0交出单卡150Hz实时推理效率的答卷，正面回应了行业普遍面临的具身世界模型执行效率低的顽疾。

本周蚂蚁灵波已连续发布和开源多款模型，包括面向空间感知的LingBot-Vision与LingBot-Depth 2.0、面向「一脑多机」的LingBot-VLA 2.0、面向实时交互的LingBot-World 2.0，以及面向更高推理效率的视频生成基模LingBot-Video。LingBot-VA 2.0作为集大成者扮演了收官角色，也正式开启了「具身原生」新阶段。CEO朱兴表示，灵波将持续探索具身智能新上限，同时加速构建开放的技术与场景生态，助力机器人真正走向产业现场。