蚂蚁灵波发布行业首个具身原生世界动作模型 LingBot-VA 2.0
蚂蚁灵波发布全球首个从物理世界原生设计的具身世界动作模型，用自回归架构实现实时因果推理，单卡150Hz，标志机器人基础模型路线转变。
传统做法是用视频生成模型微调成机器人控制器，但画质与执行力目标相悖。蚂蚁灵波从头预训练了一个具身原生世界动作模型，通过语义视觉-动作分词器、因果预训练、MoE架构和异步推理，实现单卡150Hz实时因果预测与动作生成，机器人能边执行边预测未来状态。
正文摘录
7月10日，蚂蚁灵波发布业界首个具身原生世界动作模型 LingBot-VA 2.0。该模型的发布，标志着机器人基础模型正式从“基于数字世界模型构建”到“面向物理世界原生设计”的关键转变。它代表了具身智能发展的一种关键路线选择：机器人“大脑”不再依托数字世界模型能力的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计。 得益于具身原生架构，LingBot-VA 2.0 在真机测试中表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。 今年以来，世界模型与具身智能怎么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。 然而内容创作和机器人控制有着不同的出发点，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。上述这些不同导致数字世界的视频模型和物理世界的视频动作模型在设计之初就有各自的能力侧重点，强行‘微调’把前者适配成后者会带来知识遗忘、泛化性下降等副作用。 LingBot-VA 2.0 选择直面问题，探索一条更艰难的路——基于自回归架构从头开始预训练，通过四大核心设计构建原生基模。 首先，模型引入语义视觉-动作分词器（Tokenizer）作为全新的视觉编码器，在视觉压缩过程中加入了语义与动作信息的对齐，使模型在后续的训练中更容易把“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。