LingBot-VA 2.0真机测试-整理桌面

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，这也是此轮全栈2.0模型发布的收官之作。

自7月7日起，蚂蚁灵波在四天内连续发布并开源了六款模型。

从空间感知到具身基座，从实时交互世界到原生动作模型，技术栈的完整拼图悄然成形，在海内外平台掀起热议，接连登上Reddit、X及Hugging Face等国际主流技术平台热榜。

这一系列发布，为加速构建开放的技术与场景生态、推动机器人真正走向产业提供了坚实底座。

01.

7月7日：让机器人“看清”

首日发布的是空间感知模型LingBot-Depth 2.0和视觉基座模型LingBot-Vision。

LingBot-Depth 2.0相当于机器人的“眼睛”，训练数据从1.0版的300万扩充至1.5亿规模，在深度补全基准的16项测评中获得12项第一，包括玻璃、镜面等传统深度相机极易失真的场景。在最难的室内大面积深度缺失场景中，深度误差较上一代减半。

LingBot-Vision则是业内首个将“边界结构”作为预训练目标的视觉基础模型，预训练语料仅1.6亿张图像，比DINOv3小一个数量级，深度估计精度却反超。

值得一提的是，LingBot-Depth 2.0已通过奥比中光深度视觉实验室专业认证，双方正围绕数据采集、SDK集成等展开深度合作——这意味着该模型已走出实验室，进入产业链验证阶段。

02. 

7月8日：让机器人“通用”

第二天开源的LingBot-VLA 2.0，是一个“一脑控多机”的具身基座模型。

在预训练阶段融入了6万小时高质量真实物理数据，其中5万小时是真机数据、1万小时是第一视角人类操作视频，覆盖乐聚、智元、宇树、松灵等17个主流机器人品牌的20种构型。

基于上海交通大学GM-100评测，在两个双臂平台上，LingBot-VLA 2.0的任务进度分和成功率均领先于π0.5与GR00T N1.7。推理延迟在RTX 4090上控制在130毫秒以内。

目前该模型已在零售分拣、物流分拣、工业等场景开启商业落地测试。

03. 

7月9日：两个“全球首创”同日开源

7月9日，蚂蚁灵波同日开源两款模型。

新一代实时交互世界模型LingBot-World 2.0（Infinity）是业界首次将Agent机制引入世界模型，内置双Agent，一个规划执行角色行为，一个实时推动场景演化，支持小时级实时生成、720p/60fps高清输出，长达一小时压力测试中画质零衰减。

同日发布的LingBot-Video是全球首个基于MoE架构、面向具身智能的开源视频生成基础模型。总参数30B，推理时仅激活约3B，效率为同等规模Dense架构的约3倍，训练数据涵盖7万小时具身数据。在北京大学联合字节跳动发布的RBench基准上，总分0.620，超越Wan2.6、Seedance 1.5 Pro、Cosmos3 Super等主流模型。

04. 

7月10日：告别“嫁接”，走向“原生”

最后登场的LingBot-VA 2.0，是这轮发布中最具行业分野意义的一款。

当前行业的主流做法，是拿面向数字内容创作的视频生成模型，再微调成机器人控制器。但内容创作在意画质和创意，机器人控制在意执行效率和因果预测，出发点完全不同，强行嫁接会带来知识遗忘、泛化性下降等问题。

LingBot-VA 2.0则选择基于自回归架构从零开始预训练。通过语义视觉-动作分词器、

严格因果预训练范式、MoE架构、增强异步推理机制四大核心设计，实现了单卡150Hz实时推理效率。在真机测试中，不依赖任何外部拍摄设备即可完成与人类的多轮随机对打。

从LingBot-Vision“看懂”、LingBot-Depth 2.0“看准”、LingBot-VLA 2.0“通用控制”，到LingBot-World 2.0“无限仿真”、LingBot-Video“物理预测”，再到LingBot-VA 2.0“原生执行”，六款模型构成了“感知-决策-执行-仿真”的完整闭环。

不过，比参数堆叠更值得关注的，是这轮发布背后的路线选择。

具身智能正在从“拿别人的模型改一改”，走向“为物理世界从头设计”。当眼睛、大脑和训练场全部就位，产业临界点或许比想象中更近。