150条示教数据即可适配新机器人，蚂蚁灵波开源LingBot-VLA后训练代码

蚂蚁集团旗下的具身智能公司灵波科技，今天放了个大招：正式开源其具身基座模型 LingBot-VLA 的真机后训练工具链。这意味着，开发者们现在可以拿着这套“工具箱”，用自己的数据，快速地把 LingBot-VLA 模型适配到自家的机器人和具体任务上。

眼下，具身智能领域的开源模型确实越来越多，但想把一个现成的模型真正部署到自己的机器人上，中间的“适配”这道坎儿可不低。原因很简单，不同的机器人在机械臂构型、末端执行器、传感器配置乃至控制接口上，往往千差万别。为了完成真机部署，开发团队通常得投入大量精力进行工程适配，而这条完整的工程链路，过去一直是各家捂在手里的核心Know-how，很少对外公开。

灵波科技这次开源，就是瞄准了真机适配过程中的这些核心痛点。工具链覆盖了四个关键环节：首先是数据处理工具，它支持合并多种LeRobot格式的数据，并对关节维度进行标准化映射；其次是专门面向真机场景优化的训练配置；再者是用于评估性能的离线评测工具；最后是支持编译加速的真机部署模块。为了满足不同场景的需求，模型还贴心地提供了包含深度信息和不包含深度信息的两个版本，供开发团队按需选择。

作为一款基座模型，LingBot-VLA的底子相当扎实。它基于长达2万小时的真实机器人数据进行预训练，覆盖了9种主流双臂机器人构型，因此在跨本体、跨任务泛化能力上表现突出。根据官方数据，无论是在真机测试还是仿真环境中，LingBot-VLA的表现都优于行业基准模型π0.5。目前，该模型已经与乐聚、松灵、星海图等多家机器人厂商完成了多机型验证，具备了不错的落地基础。

更吸引人的是它的效率。据悉，LingBot-VLA仅需大约150条演示数据，就能实现高质量的任务迁移。这背后，离不开其底层代码库的深度优化——其训练效率达到了StarVLA、OpenPI等主流框架的1.5到2.8倍。这直接意味着，开发者在进行模型适配时，所需的数据量和算力成本都能得到有效控制。

目前，LingBot-VLA的代码库已在GitHub上开源，模型权重也同步发布在Hugging Face和ModelScope平台。对于正在探索具身智能落地的团队来说，这无疑提供了一个新的、更高效的起点。