从零开始预训练，行业首个具身原生世界动作模型 LingBot-VA 2.0 正式发布

从本周一系列模型成果密集发布说起，今天要聊的是蚂蚁灵波“具身原生全栈技术路线”的关键进展——行业首个具身原生基础模型 LingBot-VA 2.0 正式发布。

LingBot-VA 2.0 的亮相，标志着机器人基础模型正经历一次根本性的范式转移：从“基于数字世界模型构建”转向“面向物理世界原生设计”。这不仅仅是技术路线的调整，更是具身智能发展道路上的一次关键抉择——机器人“大脑”不再是数字世界模型能力的简单“嫁接”，而是从动态建模、因果预测、实时执行这些与环境交互的原始需求出发，进行原生设计。

基于自回归架构，LingBot-VA 2.0 从零开始进行具身原生预训练。这意味着机器人在执行任务时，能够持续判断“世界接下来会如何变化”，并同步生成下一步动作，真正具备了像人一样“边推演、边行动”的通用控制能力。

在真机测试中，LingBot-VA 2.0 展现出了出色的执行速度和泛化能力。以下面这个视频为例，在不依赖任何外部拍摄设备的情况下，机器人就可以完成与人类的多轮随机对打。

技术路线：从零预训练，具身原生设计

今年以来，世界模型与具身智能的融合一直是各方关注的焦点。以终为始，从物理世界的“控制执行”需求出发，就需要持续符合因果规律的“预测能力”。机器人要面对的是一个连续变化的真实世界，不仅要针对当前情况作出反应，还要理解一个动作会引发怎样的环境变化，并据此决定下一步动作。

当前行业的主流路线，大多依托面向数字内容创作的视频生成模型，再通过微调的方式适配机器人控制任务。然而，内容创作更在意画质和创意，机器人控制则更在意执行效率和预测的合理性。

更根本的结构性错位在于：面向内容创作的视频模型通常采用双向建模，依赖过去和未来的全局信息来生成连贯画面；而机器人在物理世界中的执行是严格单向、符合物理规律的。这种“预测范式”与“执行范式”的错位，使得后期微调路线容易出现能力迁移不足、动作精度下降和灾难性遗忘等问题。

为彻底解决这一问题，LingBot-VA 2.0 选择了一条更艰难的路——放弃对双向视频生成模型的后期微调，基于自回归架构从头开始预训练，原生设计具身世界动作模型。

四大核心设计：让机器人“边推演、边行动”

机器人“大脑”不再是能简单借用为数字内容生成而训练的模型，而是需要从动态建模物理交互、因果预测和实时动作执行等真实需求出发进行原生设计。关注本周开源进展的朋友可能已经注意到，LingBot-World 2.0 的因果建模范式与 LingBot-Video 的 MoE 设计，都被浓缩到了 LingBot-VA 2.0 的架构中。通过四大核心设计，这些能力被融合并重构为一个统一的具身原生基础模型。

——在视觉压缩过程中，加入了语义与动作信息的对齐。这使得模型在后续训练中更容易把“理解指令”转化为“完成动作”，有助于指令跟随与提升动作精度。

——从训练一开始，模型就使用自回归架构按照机器人真实执行任务的时间顺序学习，确保视觉预测和动作生成完全遵循单向的时间规律。

——引入 MoE 架构，在不牺牲推理效率的前提下有效扩大了模型容量，在性能和效率之间取得平衡。

——为了实现实时闭环控制，设计了异步执行流。在机器人执行当前动作的同时，模型已经开始预测未来状态，并利用最新真实观测不断校正下一步决策。基于这些设计，在行业普遍面临的具身世界模型执行效率低这一问题上，LingBot-VA 2.0 给出了单卡 150Hz 实时推理效率的答卷。

全栈技术路线全面亮相

本周，连续发布和开源了六款模型，包括：面向空间感知的 LingBot-Vision 和 LingBot-Depth 2.0，面向“一脑多机”的动作模型 LingBot-VLA 2.0，面向实时交互的 LingBot-World 2.0，和面向更高推理效率的视频生成基模 LingBot-Video。上述模型代表着灵波在持续探索具身原生需要的细分方向能力，而 LingBot-VA 2.0 作为集大成者扮演了收官之作的角色，也正式开启了具身原生新阶段。

至此，蚂蚁灵波“具身原生全栈技术路线”已全面亮相——以具身原生世界动作模型为核心中枢，串联空间感知、灵巧操作与物理世界模拟，形成感知、预测、执行的完整闭环，并在底层深度融合物理数据与虚拟数据，为“一脑多机”的规模化落地提供系统性支撑。