蚂蚁灵波发布LingBot-VLA 2.0开源模型，数据量达6万小时
新一代开源VLA模型用6万小时数据和20种机器人形态数据训练，大幅提升机器人做家务等长序列任务的通用能力。
蚂蚁灵波发布第二代开源VLA模型（视觉-语言-动作模型，让机器人看画面+理解语言+执行操作），用6万小时数据训练，覆盖20种机器人形态。模型引入未来深度预测，在多项任务上超越GR00T N1.7和π0.5。
正文摘录
一个新的 VLA（视觉-语言-动作模型）就这么水灵灵地被“喂”了出来，而且还是 开源 的那种。 这就是 蚂蚁灵波 刚刚发布的 LingBot-VLA 2.0，一个面向复杂物理世界任务的通用 VLA 模型。 其实它包含两个部分，其中 50000 小时来自机器人轨迹数据，覆盖 20 种机器人构型；另外 10000 小时来自第一视角人类操作视频。 而距蚂蚁灵波 1 月发布 LingBot-VLA 1.0 仅半年时间，数据规模 从 20000 小时直接 乘了个 3。 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1ihq6vrUDrbJw 我们从视频中可以看到，机器人先从操作台上拿起饮料、水果放进篮子里，再拎起篮子移动到冰箱前，打开冰箱门、把东西一件件放进去，最后关上冰箱门。 不过有一说一，数据规模还仅仅是 LingBot-VLA 2.0 亮点的一隅，在细扒相关技术报告后我们发现： 机器人干活，更利索了 接下来，我们先继续来直观感受一下在 LingBot-VLA 2.0 加持之下，机器人干真实世界家务活儿的表现如何。 视频地址： https://mp.weixin.qq.com/s/GBkj3L9z1ihq6vrUDrbJw 机器人面对炉灶、锅架、海绵等一桌子物品，需要先将障碍物挪开、取放妥当，然后精准地拿起海绵擦拭灶台，最后还得把相关物体物归原位。 从机器人的表现来看，LingBot-VLA 2.0 是经受住了真实环境里的连续决策和精细交互的考验。 这类任务更考验双臂协同和空间关系处理能力，机器人要清楚每个物体分别放在哪、彼此间距多远、桌面结构长什么样，光靠看画面是不够的，还得有空间感。