蚂蚁灵波发布行业首个具身原生世界动作模型LingBot-VA 2.0
蚂蚁灵波于7月10日发布业界首个具身原生世界动作模型LingBot-VA2.0,从零基于自回归架构预训练,采用语义视觉-动作分词器、因果范式、MoE架构及增强异步推理,实现单卡150Hz实时推理,真机测试执行速度与泛化能力出色。
有件事值得单独拿出来说——蚂蚁灵波在7月10日发布了业界首个具身原生世界动作模型,叫LingBot-VA 2.0。这个动作,在这个时间点上,挺有分量的。

今年以来,世界模型和具身智能怎么融合,一直是行业里吵得最热的话题之一。当前,大多数玩家走的是同一条路:先找一个为数字内容创作设计的视频生成模型,然后通过微调把它改造成能控制机器人的东西。但这个路数有个天然的矛盾——内容创作和机器人控制,本质上出发点是两码事。强行把前者往后者上“微调”,结果往往是知识遗忘、泛化能力下降这些副作用。
LingBot-VA 2.0选择了一条更艰难的路线:从零开始,基于自回归架构做预训练。他们没有走捷径,而是通过四大核心设计,硬生生把原生基模给搭了起来。
先说第一点,他们引入了一个叫“语义视觉-动作分词器”的东西,作为全新的视觉编码器。这个模块在做视觉压缩的时候,就把语义信息和动作信息对齐了——这样一来,模型在后续训练中,更容易把“理解指令”转化成“完成动作”,指令跟随和动作精度自然就上去了。第二点,模型采用了严格的因果预训练范式。从训练一开始,就用自回归架构,确保视觉预测和动作生成严格遵循单向时间顺序,不乱套。第三,引入了MoE架构,在不牺牲推理效率的前提下,把模型容量撑大了不少,性能和效率之间找到了一个平衡点。第四,通过增强的异步推理机制,实现了实时闭环控制。机器人一边执行动作,一边预测未来状态,同时用最新的真实观测数据不断校正下一步决策。
基于这些设计,LingBot-VA 2.0在行业普遍头疼的“具身世界模型执行效率低”这个老问题上,交出了一份答卷:单卡150Hz的实时推理效率。这个数字,放在当前环境下,是有说服力的。
得益于这套具身原生架构,LingBot-VA 2.0在真机测试中表现出了相当出色的执行速度和泛化能力。蚂蚁灵波CEO朱兴的说法是,一边持续探索具身智能的新上限,一边加速构建开放的技术生态和场景生态,让机器人加速走向真正的产业场景。
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件,支持 Windows、macOS 和 iPad 等平台,广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件,集建模、动画、渲染、视频编辑与视觉合成等功能于一体,广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎,并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统,安装包轻巧、运行流畅,依托活跃的全球开发者社区持续更新,是从初学者到专业创作者都值得选择的正版 3D 创作工具。
Photoshop 2026 是 Adobe 推出的专业图像处理与视觉设计软件,支持 Windows、macOS 和 iPad 等平台,广泛应用于摄影修图、电商设计、平面海报、数字绘画及视觉合成等创作场景。
Blender 是一款免费开源、跨平台的专业 3D 创作软件,集建模、动画、渲染、视频编辑与视觉合成等功能于一体,广泛应用于影视动画、游戏设计和建筑可视化等领域。软件支持 Cycles 物理渲染器与 Eevee 实时渲染引擎,并提供多边形建模、骨骼绑定、物理模拟等专业工具。Blender 兼容 Windows、macOS 和 Linux 系统,安装包轻巧、运行流畅,依托活跃的全球开发者社区持续更新,是从初学者到专业创作者都值得选择的正版 3D 创作工具。















