NE时代

◎ 机器人大脑开始卷“一脑多机”。

蚂蚁灵波把新一代具身基座模型推向开源。

7月8日，蚂蚁灵波正式开源 LingBot-VLA 2.0，这次更新的重点，是“一脑多机”。

人形机器人、双臂机器人、移动机器人、协作机械臂都在迭代，本体数量越来越多，硬件形态也越来越分散。

，时长06:35

具身智能要走向规模化，不能只让一台机器人在特定场景里跑通 Demo，还要让同一套“大脑”尽量复用到不同本体、任务和场景中。

据悉，LingBot-VLA 2.0 使用约 6 万小时预训练数据，其中包括约 5 万小时机器人轨迹数据和约 1 万小时第一视角人类视频；数据覆盖 20 种机器人构型，并扩展支持头部、腰部、移动底盘、灵巧手等自由度。

机器人大脑的竞争，开始从单机能力转向跨本体复用能力。

01.

机器人越多，适配成本越难绕开

过去几年，机器人行业最热闹的部分在本体。

人形机器人能跑、能跳、能进工厂；协作机械臂进入更多工业和商业场景；移动机器人在物流、零售、服务等领域扩散。

硬件越多，适配问题越突出：不同本体有不同关节结构、自由度、控制接口和动作空间。

一个模型能在某台机器人上完成任务，不代表换一个本体还能继续跑。

机器人从单臂换成双臂，从固定底座换成移动底盘，从夹爪换成灵巧手，模型都可能需要重新采数据、重新训练、重新调参。

LingBot-VLA 2.0 对准的就是这笔重复成本。

官方材料显示，LingBot-VLA 2.0 支持 20 种机器人构型，覆盖单臂、双臂、半人形、人形、移动底盘、灵巧手和夹爪等形态。

蚂蚁灵波还提到，相关数据覆盖 17 个主流机器人品牌，包括乐聚、智元、星尘智能、宇树、松灵、星海图、银河通用、睿尔曼、Franka、方舟、北京人形、傅利叶、魔法原子、千寻、零次方、非夕和青龙等。

对技术团队来说，这是跨本体泛化能力；对客户和整机厂来说，它对应的是适配成本。

如果每接入一种机器人，都要重新训练一套模型，具身智能很难规模化。

客户买的不是论文里的模型能力，而是一个更现实的结果：换本体、换任务、换场景时，系统能不能少重来一次。

“一脑多机”的价值在这里。

它不是让所有机器人变成同一种机器，而是让不同机器人共享一部分操作经验和模型能力。

机器人硬件还会继续分化，机器人大脑必须提高复用率。

02.

6万小时数据，

重点在清洗和统一表示

LingBot-VLA 2.0 另一个核心信息，是 6 万小时预训练数据。

根据技术报告，蚂蚁灵波从约 9 万小时机器人原始数据中清洗出约 5 万小时高质量机器人轨迹数据，又从约 2 万小时第一视角人类视频中筛选出约 1 万小时有效数据，最终形成约 6 万小时预训练数据。

这个数字有吸引力，但数据处理方式更关键。

机器人数据和语言、图像数据不同。机器人数据不只是视频，还包括动作、状态、关节、末端执行器、夹爪、底盘等信号。不同本体之间的数据格式也不一样，把这些数据堆到一起，不会自然形成通用能力。

技术报告中，LingBot-VLA 2.0 对机器人数据做了多层清洗。团队会计算动作信号和状态信号的 jerk，也就是三阶有限差分，同时计算速度和加速度的 Z-score，用来过滤动作突变和信号异常片段。长时间没有明显动作变化的 episode，也会被剔除。

视频和状态信号对齐也要检查。团队会基于对应机器人的 URDF，把机器人投影回图像平面，并重放记录状态，再由人工检查投影结果与真实视频是否一致。画面模糊、严重遮挡、掉帧、多视角不一致的视频，也会在标注过程中被过滤。

第一视角人类视频也要筛。技术报告提到，团队会通过视频级 VLM 预筛，去掉第三人称视角、无明确手物交互、无可操作物体等视频；对于没有标签的视频，还会通过 egocentric SLAM 和手部姿态估计恢复相机运动和手部轨迹。

这些工作把不同来源的数据整理成模型可学习的经验。

更关键的一步是，统一表示。

技术报告中，LingBot-VLA 2.0 使用 55 维统一状态与动作表示，覆盖机械臂、末端执行器、夹爪、手部关节、腰部、头部和移动信号等信息，并保留 4 个扩展维度。缺少某些身体部位的机器人，则通过 padding 补齐。

这一步是“一脑多机”的基础。

不同机器人本体的动作空间并不相同。如果没有统一表示，模型只能学习某台机器人的动作格式，很难在不同本体之间迁移。统一动作空间给不同机器人建立了一套共同接口，让模型可以在同一训练框架下处理多构型数据。

跨本体泛化不能只靠模型变大，数据清洗、动作对齐和统一表示先把地基打好。

03.

从双臂到全身自由度，

VLA 开始处理真实任务链条

早期 VLA 模型更多围绕双臂操作或桌面任务展开。

真实场景里的机器人，不只是两只手在桌面上移动，它可能要移动到底盘位置，转动头部观察目标，调整腰部姿态，再用手臂和末端执行器完成抓取、放置、开门或整理。

LingBot-VLA 2.0 的一个变化，是动作空间从双臂扩展到更多身体自由度。

官方技术报告都提到，LingBot-VLA 2.0 支持头部、腰部、移动底盘和灵巧手等自由度。模型不再只控制机械臂，而是开始面向更复杂的全身协同任务。

这和商业落地直接相关。

如果机器人只在固定桌面完成短任务，双臂操作能力就够用。但在零售、物流、工业等场景中，机器人经常要面对长序列任务。

它可能需要移动、识别货架、开门、抓取、搬运、放置，并在执行过程中根据环境变化调整动作。

单步抓取解决不了这类任务。

LingBot-VLA 2.0 在移动操作上做了初步验证。

官方材料显示，模型基于“方舟机械臂+松灵底盘”和星尘智能 S1 两类构型，与 π0.5 做长程移动操作任务对比测试。

结果显示，LingBot-VLA 2.0 在任务进度分和成功率上领先 π0.5，尤其在跨域场景中保持优势。

任务进度分不等同于最终成功率。

在长序列任务中，机器人即使没有完成最终目标，也可能已经完成多个中间步骤。

用任务进度分衡量，可以更细地观察模型在移动、双臂协作、抓取、放置、开门、清洁等环节中的表现。

这类评测更接近真实部署，真实场景里，失败往往不是发生在某一个单点动作，而是发生在连续任务推进过程中。

04.

模型升级指向空间理解和时间预判

LingBot-VLA 2.0 的模型升级，重点不在把参数做得更大，而是在处理三个问题：多本体差异、空间理解和时间预判。

第一个问题是多本体差异。

不同机器人数据混在一起，会带来不同动作空间、不同动力学约束和不同任务分布。如果模型用同一套稠密参数路径处理所有数据，很容易在共性和差异之间互相干扰。

为此，LingBot-VLA 2.0 在 action expert 中引入 token-level sparse MoE。

简单说，模型可以在 token 粒度选择不同专家路径，用来分别处理多本体数据中的共性和差异。

第二个问题是空间理解。

机器人执行动作时，不能只识别图像里有什么，还要判断距离、深度、空间关系和物体结构。

LingBot-VLA 2.0 采用 LingBot-Depth 作为视觉教师模型，将几何线索注入模型训练。这样做的目标，是让模型在生成动作前更好理解场景的三维结构。

第三个问题是时间预判。

真实任务不是静态图像，机器人执行一个动作后，物体位置、场景状态和下一步可行动作都会变化。

LingBot-VLA 2.0 将未来预测作为代理任务，并使用 DINO-Video 提供语义和时序表征。

技术报告显示，DINO-Video 基于 DINOv3，并在 500 万段互联网视频、第一视角视频和机器人视频片段上训练。

它的作用，是让模型不只理解当前画面，也能学习未来状态如何演化。

这些设计最终服务于一个目标：让机器人少一点短视反应。

长序列任务中，机器人不能只根据当前帧做即时动作，它需要知道动作之后会发生什么，物体会如何移动，下一步任务状态会如何变化。

空间理解和未来预测越强，机器人在开放场景中跑偏、中断或误操作的概率才可能降低。

这也是 LingBot-VLA 2.0 所传递出的方向：从基座能力走向应用可用性。

05.

开源只是起点，

部署效率还要看现场

LingBot-VLA 2.0 选择开源模型权重、代码和技术报告，能让更多开发者、本体厂商和场景方参与进来。

对产业来说，开源不是终点，真正的问题是，模型能不能降低部署成本。

接入一个新本体需要多久，适配一个新任务需要多少数据，客户现场的响应延迟能不能接受，任务稳定性是否足够高，这些才是决定商业价值的指标。

据了解，LingBot-VLA 2.0 同步开源更高效的后训练版本，推理耗时在 RTX 4090 上控制在 130 毫秒以内。

这个指标指向部署效率。

如果一个模型跨本体能力不错，但后训练成本高、推理延迟长，落地仍然会受阻。

具身智能客户要的是能在现场快速适配、稳定运行的系统，而不是只在评测表里表现好的模型。

生态侧也已经开始铺开。

蚂蚁灵波已与乐聚、钛虎等本体生态伙伴，以及国大药房、隆盛等客户伙伴，在零售、物流、工业等落地场景开展商业测试。

此外，还与简智等数据生态伙伴共建标准化数据体系。地瓜机器人旭日 S600 芯片，以及英伟达 Jetson Thor、Orin 芯片，也已完成对 LingBot-VLA 模型的适配。

这说明 LingBot-VLA 2.0 的定位，不只是一个开源模型，而是一个试图连接本体、数据、芯片和场景的基座模型。

不过，它的实际价值仍要回到客户现场验证。

跨 20 种本体、6 万小时数据、GM-100 评测领先、130 毫秒以内推理，这些信息说明 LingBot-VLA 2.0 在工程化方向上做了更完整的准备。

但具身智能的商业化，不会只由开源当天的参数和跑分决定。后续在零售、物流、工业等场景中的适配周期、任务稳定性和部署成本，才会决定这颗“大脑”能走多远。

06.

写在最后

LingBot-VLA 2.0 把跨本体泛化、统一动作空间、数据清洗、未来预测和后训练效率放在同一条工程链路里。

具身智能下一阶段的“大脑”竞争，会越来越围绕复用能力展开：换机器人本体、换任务、换场景后，模型能不能少重来一次。

蚂蚁灵波给出的答案还需要更多商业现场验证，但“一脑多机”已经成为机器人大脑竞争的重要方向。