螞蟻靈波釋出業界首個具身原生世界動作模型LingBot-VA 2.0

7月10日，螞蟻靈波釋出業界首個具身原生世界動作模型LingBot-VA 2.0。它的意義不止於又一則模型釋出，更在於機器人基礎模型正式從「基於數字世界模型構建」朝著「面向物理世界原生設計」轉變——機器人「大腦」不再依託數字世界模型能力的「嫁接」，而是從動態建模、因果預測、實時執行等與環境互動的原始需求出發，做原生設計。

今年以來，世界模型與具身智慧怎麼融合一直是各方焦點。機器人面對的是連續變化的真實世界，既要對當前情況作出反應，還要理解一個動作會引發怎樣的環境變化，並據此決定下一步動作。行業主流路線大多依託面向數字內容創作的影片生成模型，再微調適配機器人控制；但內容創作在意畫質與創意，機器人控制更在意執行效率與預測合理性，出發點本就不同。

LingBot-VA 2.0選擇直面問題，基於自迴歸架構從頭開始預訓練，透過四大核心設計構建原生基模。 其一，引入語義視覺—動作分詞器（Tokenizer）作為全新視覺編碼器，在視覺壓縮中加入語義與動作資訊對齊，讓「理解指令」更容易轉化為「完成動作」；其二，採用嚴格因果預訓練正規化，從訓練起就用自迴歸架構，確保視覺預測與動作生成完全遵循單向時間順序。

其三是引入MoE架構，在不犧牲推理效率的前提下有效擴大模型容量，在效能與效率間取得平衡；其四是透過增強的非同步推理機制實現實時閉環控制，在機器人執行動作的同時預測未來狀態，並用最新真實觀測不斷校正下一步決策。基於這些設計，LingBot-VA 2.0交出單卡150Hz實時推理效率的答卷，正面回應了行業普遍面臨的具身世界模型執行效率低的頑疾。

本週螞蟻靈波已連續釋出和開源多款模型，包括面向空間感知的LingBot-Vision與LingBot-Depth 2.0、面向「一腦多機」的LingBot-VLA 2.0、面向實時互動的LingBot-World 2.0，以及面向更高推理效率的影片生成基模LingBot-Video。LingBot-VA 2.0作為集大成者扮演了收官角色，也正式開啟了「具身原生」新階段。CEO朱興表示，靈波將持續探索具身智慧新上限，同時加速構建開放的技術與場景生態，助力機器人真正走向產業現場。