蚂蚁灵波开源 LingBot-VLA 2.0：端到端具身智能决策模型
蚂蚁灵波开源 LingBot-VLA 2.0：端到端具身智能决策模型
发布时间： 2026年7月
来源： GitHub: lingbot-vla-v2 · 技术报告：arXiv:2607.06403
配图：pics/目录
概述
继 LingBot-Depth 2.0 和 LingBot-Vision 之后，蚂蚁集团旗下灵波科技（Robbyant）再次出击——正式开源 LingBot-VLA 2.0，一个基于 6 万小时真机数据、覆盖 17 个品牌 20 种机器人构型的视觉-语言-动作（VLA）基础模型。
这是目前开源社区中数据规模最大、机器人覆盖面最广的 VLA 模型，在 RTX 4090D 上推理延迟低于 130 毫秒，首次实现了消费级显卡上的端到端机器人决策。
一、VLA 技术：从"感知"到"决策"的关键一跳
VLA（Vision-Language-Action，视觉-语言-动作）是端到端机器人基础模型的核心范式。与 LingBot-Depth（专注于静态深度感知）不同，VLA 解决的是更高层次的问题——接收摄像头图像和自然语言指令，直接输出机器人关节控制信号。
| 技术层级 | 代表模型 | 功能 |
|---|---|---|
| 感知层 | LingBot-Depth | 理解环境的三维几何结构 |
| 决策层 | LingBot-VLA 2.0 | 基于感知结果，生成动作指令 |
| 执行层 | 机器人硬件 | 执行关节控制信号 |
LingBot-VLA 2.0 是灵波科技完整具身智能技术栈的"大脑"组件。
二、核心参数
| 项目 | 数值 |
|---|---|
| GitHub Stars | ⭐ 360（发布仅 3 天） |
| 基础模型 | Qwen3-VL-4B-Instruct |
| 模型参数量 | 6B |
| 预训练数据 | 60,000 小时（50K 真机 + 10K 人类操作视频） |
| 机器人覆盖 | 17 个品牌，20 种机器人构型 |
| 动作空间 | 统一 55 维规范向量（全身自由度） |
| 推理速度 | RTX 4090D 上 < 130ms |
| 深度模块 | MoGe-2-vitb-normal + LingBot-Depth |
| 时序模块 | DINO-Video（语义先验） |
| 许可证 | Apache-2.0 |
| 前代版本 | v1：1,579 Stars，20,000 小时，9 种双臂构型 |
支持的机器人品牌
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、青龙——覆盖单臂、双臂、双足、轮式等多种构型。
三、架构创新
3.1 MoE 动作头（Mixture of Experts）
将动作空间划分为多个专家子网络，采用细粒度专家分割 + 共享专家隔离策略。通用控制先验与专用动作模式（如抓取、移动、旋转）共存于同一模型中，互不干扰。
3.2 双查询蒸馏（Dual-Query Distillation）
同时从两个教师模型中蒸馏空间知识：
- LingBot-Depth → 几何线索（当前场景的三维结构）
- DINO-Video → 语义时序先验（预测未来场景演变）
这让 VLA 模型不仅能"看到"当前环境，还能"预判"下一步状态变化。
3.3 统一动作空间
55 维规范动作向量，覆盖：
| 组件 | 维度 | 说明 |
|---|---|---|
| 手臂关节 | 14 | 双臂 7 自由度 |
| 末端执行器 | 14 | 双臂末端位姿 |
| 夹爪 | 2 | 双手夹爪开合 |
| 灵巧手 | 12 | 灵巧手关节 |
| 腰部 | 4 | 腰转/俯仰 |
| 头部 | 2 | 俯仰/偏航 |
| 移动底座 | 3 | 轮式/双足 |
| 保留 | 4 | 预留扩展 |
四、与竞品对比
| 维度 | LingBot-VLA 2.0 | RT-2 (Google) | OpenVLA (Stanford) |
|---|---|---|---|
| 发布时间 | 2026-07 | 2023-07 | 2024-02 |
| 参数量 | 6B | 540B/55B | 7B |
| 预训练数据 | 60,000 小时 | 少量 | 970K 条 |
| 机器人支持 | 20 种/17 品牌 | 有限 | 有限 |
| 动作空间 | 55 维全身 | 末端执行器 | 末端执行器 |
| 推理延迟 | <130ms (4090D) | 高（云端） | ~500ms |
| 深度感知 | ✅ 原生支持 | ❌ | ❌ |
| 时序建模 | ✅ 预测动态蒸馏 | ❌ | ❌ |
| 开源 | ✅ Apache-2.0 | ❌ 未开源 | ✅ 开源 |
核心优势：数据规模最大、机器人覆盖面最广、架构最先进（MoE + 双查询蒸馏）、消费级显卡可用。
五、与 LingBot-Depth 的关系
两个模型不是替代关系，而是感知层与决策层的互补：
| 维度 | LingBot-VLA 2.0 | LingBot-Depth |
|---|---|---|
| 定位 | 决策层（输出动作） | 感知层（输出深度） |
| 核心技术 | MoE 动作头 + 双查询蒸馏 | Masked Depth Modeling |
| 学术认可 | 技术报告 | ECCV 2026 |
| 互为依赖 | 使用 Depth 作为视觉教师 | 可为 VLA 提供几何线索 |
六、对中国具身智能的意义
LingBot-VLA 2.0 的开源标志着中国具身智能领域从"单点突破"走向"全栈协同"：
- 感知 + 决策完整链路：Depth（空间感知）→ Vision（视觉基础）→ VLA（决策执行）
- 消费级硬件可用：RTX 4090D < 130ms，大幅降低机器人研发门槛
- 国产机器人品牌全覆盖：17 个国产主流品牌全部适配
- Apache-2.0 商业友好：完整开源协议覆盖，企业可直接商用
作为对比，Google RT-2 闭源、OpenVLA 数据量级有限，LingBot-VLA 2.0 的开放策略为全球机器人社区提供了极具竞争力的选择。
本文基于 GitHub 仓库、arXiv 技术报告、Robbyant 官方技术网站公开资料整理。