蚂蚁灵波发布行业首个具身原生世界动作模型LingBot-VA 2.0

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。