蚂蚁灵波具身大模型 LingBot-VLA 正式开源，后训练代码全面开放

蚂蚁集团在具身智能赛道的布局，又落下了关键一子。旗下灵波科技最近正式将其具身大模型 LingBot-VLA 开放出来，代码、权重、数据集一应俱全，面向全行业开源。

这个模型到底有多能打？先看一组硬核数据。在上海交通大学发布的具身智能评测基准 GM-100 上——这个基准涵盖了 100 个真实世界的操作任务，含金量相当高——LingBot-VLA 在三种完全不同的物理机器人平台上，展现出了相当亮眼的跨本体泛化能力。值得关注的是，即便在不使用深度信息（w/o Depth）的情况下，它的平均任务成功率也从 Pi0.5 的 13.0% 直接拉到了 15.7%。而一旦引入深度感知（w/ Depth），模型的空间理解能力明显上了一个台阶，平均成功率进一步跃升至 17.3%。这个提升幅度，足以说明它在准确性和泛化性上的领先实力。

再来看看仿真环境下的表现。在 RoboTwin 2.0 仿真评测基准中，面对的是 50 项高难度任务，而且测试环境里充满了各种“刁难”——动态光照变化、场景杂物干扰、平台高度随机偏移等等。LingBot-VLA 凭借自主研发的可学习查询对齐机制，深度融合了深度模态信息，最终操作成功率相较 Pi0.5 提升了整整 9.92%。这意味着什么？意味着从仿真训练到实体部署的全链路性能突破，已经不再是纸上谈兵。

低后训练开销、高训练效率、全代码开源——真正面向落地的 VLA 模型

光有性能还不够，落地才是硬道理。LingBot-VLA 依托覆盖主流机器人构型与多样化操作场景的大规模预训练，已经打下了扎实的通用操控基础。更关键的是，它能以极低的成本高效适配各类下游机器人任务。

从实测数据来看，LingBot-VLA 在少量标注数据下就能超越 Pi0.5 的性能表现；而且随着训练数据规模不断扩大，它的性能优势还会被进一步放大。

研发团队还同步打造了一套高性能后训练工具链。在仅配备 8 卡 GPU 的硬件环境下，就能达到单卡每秒处理 261 个样本的训练吞吐量。这个效率对比 StarVLA、OpenPI 等主流框架，提升了 1.5 到 2.8 倍，直观地降低了数据与算力的投入成本。

这次开源，灵波科技拿出了完整模型权重，并全面开放了涵盖数据预处理、高效微调策略及自动化评估流程的一站式代码库。对于想要深入研究和实际落地的团队来说，这无疑是一份相当完整的“启动包”。