近日，蚂蚁集团旗下具身智能公司灵波科技宣布全面开源视觉-语言-动作（VLA）基础模型LingBot-VLA。该模型基于2万小时真实机器人数据训练，覆盖9种主流双臂机器人构型，在GM-100真机评测中跨本体泛化成功率达17.3%，显著超越π0.5等同类模型，标志着双臂机器人操控正式步入"大模型时代"。
（一）技术架构创新：混合Transformer打破"一机一训"困境
LingBot-VLA采用创新的"混合Transformer"架构，以Qwen2.5-VL作为多模态主干，能够同时处理多视角图像和自然语言指令。模型内置的"动作专家"分支实时结合机器人自身状态，通过条件流匹配技术输出平滑连续的控制轨迹。针对传统模型在空间深度感知上的弱点，研发团队引入LingBot-Depth空间感知模型，采用特征蒸馏技术提升3D空间推理能力，使机器人在叠放、插入、折叠等精细化任务中表现尤为出色。这一架构设计首次验证了具身智能领域的Scaling Law——随着预训练数据从3000小时扩展至2万小时，模型性能持续提升且未现饱和，为行业指明了"大数据+大模型"的技术路线。
（二）开源生态突破：80条数据实现跨本体迁移
此次开源不仅提供模型权重，更同步开放了包含数据处理、高效微调及自动化评估的全套代码库。在实际应用中，LingBot-VLA展现出极高的数据效率，仅需约80条特定任务演示数据即可快速适配新机器人，训练效率达到StarVLA、OpenPI等主流框架的1.5~2.8倍。目前该模型已与星海图、松灵、乐聚等机器人厂商完成适配，验证了"一个大脑，多种身体"的跨本体迁移能力，大幅降低了商业化部署门槛。蚂蚁灵波科技CEO朱兴表示，这是蚂蚁开源的首款具身智能基座模型，也是InclusionAI技术体系的关键实践。
（三）产业落地提速：从实验室走向规模化应用
在包含100项挑战任务的GM-100现实世界基准测试中，带深度感知版本的LingBot-VLA成功率达17.30%，在RoboTwin 2.0仿真基准中面对光照、杂物等高强度环境干扰，操作成功率比π0.5提升9.92%。这些数据表明，VLA模型正从实验室走向产业化。业内专家指出，LingBot-VLA的开源将推动具身智能从"定制开发"向"基础模型+微调"模式转变，为工业制造、物流仓储、家庭服务等场景的大规模应用奠定基础。随着谷歌等巨头紧随其后开放世界模型体验平台，具身智能领域的开放生态竞争已全面开启。
