蚂蚁集团Robbyant推出LingBot-VLA 2.0 跨形体机器人全能开源模型

关键发布

7月9日，蚂蚁集团的机器人实验室Robbyant正式开源LingBot‑VLA 2.0。该模型是一款面向真实机器人部署的Vision‑Language‑Action（VLA）基础模型，提供完整的技术报告、代码库以及6B参数检查点，全部采用Apache‑2.0许可证，方便科研机构和企业快速落地。

技术亮点

统一动作空间：LingBot‑VLA 2.0将所有形体映射到55维的规范化向量，覆盖手臂、末端执行器、手指、腰部、头部以及移动底盘，实现一次模型即可控制多种机器人。
Mixture‑of‑Experts 动作专家：采用无额外负荷均衡损失的稀疏MoE层，每个token仅激活Top‑K专家，保持计算预算不变的同时提升训练收敛速度和验证误差。
双查询蒸馏：在视觉和文本token上分别加入当前观测查询Qt和未来观测查询Qt+T，分别由LingBot‑Depth（几何深度）和DINO‑Video（时序语义）教师监督，使模型具备前瞻性控制能力。

数据规模与预处理

模型在约60,000小时的高质量数据上进行预训练，其中包括50,000小时的机器人轨迹（覆盖20种机器人配置）和10,000小时的第一人称人类视频。数据管线通过三阶抖动、速度加速度Z‑score、静止比例等指标严格过滤噪声，并利用VLM、SLAM、MANO等工具完成自动标注，确保每条样本的动作标签精准且一致。

基准评测

在GM‑100（Great March 100）通用基准上，LingBot‑VLA 2.0在AgileX Cobot Magic任务上取得66.2%进度分/34.4%成功率，较前代提升约10个百分点；在Galaxea R1Pro任务上亦实现34.6%/15.6%的成绩，全面超越π0.5和LingBot‑VLA‑1.0。长时序移动操作（如冰箱排序、炉灶清洁）在域内（ID）与域外（OOD）两种设置下均保持领先，尤其在需要精细物体定位的任务中成功率提升最高。

开源使用指南

环境要求：Python 3.12、PyTorch 2.8、flash‑attn 2.8，推荐使用NVIDIA RTX 4090进行推理，单次前向约130 ms（10步去噪）。
下载与部署：
```
python3 scripts/download_hf_model.py --repo_id robbyant/lingbot-vla-v2-6b --local_dir lingbot-vla
export QWEN3VL_PATH=path_to_Qwen3-VL-4B-Instruct
python -m deploy.lingbot_vla_v2_policy \
  --model_path path_to_posttraining_ckpt \
  --use_compile \
  --use_length 25 \
  --port 8080
```
微调：提供LeRobot v2.1/v3.0数据集脚本，支持在RoboTwin 2.0上进行50任务的细化训练。

行业意义

LingBot‑VLA 2.0的发布标志着跨形体机器人控制从实验室走向实际生产的关键一步。通过统一动作空间和高效MoE结构，研发团队实现了“一模型多形体”的概念验证，为物流、厨房自动化、服务机器人等场景提供了可直接落地的技术底座。同时，完全开源的许可证降低了技术获取门槛，预计将加速国内外社区在机器人通用智能上的协同创新。

“我们希望通过开放模型，让更多研究者和企业能够在真实机器人上快速实验，推动机器人通用能力的演进。” — Robbyant 项目负责人