从零开始预训练，蚂蚁灵波发布具身原生世界动作模型LingBot-VA2.0

7月10日，蚂蚁灵波放了个大招——发布了业界首个具身原生世界动作模型LingBot-VA2.0。这个模型的诞生，可以说标志着机器人基础模型完成了一次关键转身：从“基于数字世界模型构建”正式跨入“面向物理世界原生设计”。它背后代表的是具身智能发展的一条关键路线选择——机器人的“大脑”不再是从数字世界模型上“嫁接”过来，而是直接从动态建模、因果预测、实时执行这些与环境交互的原始需求出发，从头开始原生设计。

因为采用了具身原生架构，LingBot-VA2.0在真机测试里跑出了相当亮眼的执行速度和泛化能力。举个直观的例子，看下面这个视频，机器人不依赖任何外部拍摄设备，就能跟人类来上好几轮随机对打，全程没有预演、没有外设设备辅助。

今年以来，世界模型和具身智能到底怎么融合，一直是行业最热的话题。如果以终为始、从物理世界的“控制执行”需求出发，那机器人就必须具备持续符合因果规律的“预测能力”。它要面对的是一个连续变化的真实世界，不光要对当前情况作出反应，还得理解一个动作会引发怎样的环境变化，并据此决定下一步怎么做。目前业内主流路线大多依赖那些面向数字内容创作的视频生成模型，再通过微调来适配机器人控制任务。

但问题是，内容创作和机器人控制的目标压根儿不一样。内容创作更在意画质和创意，机器人控制更在意执行效率和预测的合理性。这些本质差异决定了，数字世界的视频模型和物理世界的视频动作模型从一开始就有各自的能力侧重点。硬要拿“微调”把前者改成后者，带来的副作用很头疼——知识遗忘、泛化性下降，就跟让一个美术生去干蓝领的精密装配活儿一样，底子就不对。

LingBot-VA2.0选择直面这个问题，走了一条更艰难的路——基于自回归架构从头开始预训练，并且通过四大核心设计构建了一个原生基模。

首先是语义视觉-动作分词器（Tokenizer），把它作为全新的视觉编码器。在视觉压缩过程中，它就把语义信息和动作信息对齐了，这样模型在后续训练里更容易把“理解指令”转化成“完成动作”，指令跟随和动作精度都得到提升。其次是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完全遵循单向时间顺序，避免“作弊”。第三是引入MoE架构，在不牺牲推理效率的前提下大大扩展了模型容量，性能和效率两头都照顾到了。最后，通过增强的异步推理机制实现实时闭环控制——机器人在执行动作的同时预测未来状态，同时利用最新真实观测不断校正下一步决策。凭借这些设计，面对行业普遍头疼的具身世界模型执行效率低的问题，LingBot-VA2.0交出了单卡150Hz实时推理效率的答卷。

从“干活”的角度来看，机器人要“看得更清楚”“想得更明白”“干得更利索”。本周蚂蚁灵波已经连续发布和开源了好几款模型，包括面向空间感知的LingBot-Vision和LingBot-Depth2.0、面向“一脑多机”的动作模型LingBot-VLA2.0、面向实时交互的LingBot-World2.0，以及面向更高推理效率的视频生成基模LingBot-Video。这些模型代表蚂蚁灵波在持续深耕具身原生需要的各个细分方向能力，而LingBot-VA2.0作为集大成者，算是这一阶段的收官之作，也正式开启了具身原生新阶段。

蚂蚁灵波CEO朱兴表示：一方面，灵波会持续探索具身智能的新上限；另一方面，也会加速构建开放的技术生态和场景生态，帮机器人更快走向产业场景。

据了解，蚂蚁灵波将在7月17日至20日的2026世界人工智能大会（WAIC）期间，全面展示全栈大脑2.0落地场景的能力。有兴趣的朋友可以到上海世博展览馆（H3-B302、H1-C701展位）亲自体验。