螞蟻集團（Ant Group）旗下的Robbyant正式發佈了LingBot-VLA 2.0，這是一個基於Apache-2.0許可證的開源視覺-語言-動作（VLA）基礎模型，專為機器人跨體現操作設計。此次發佈同時包含了技術報告、代碼庫以及一個6B參數的檢查點。研究團隊瞄準了一個眾所周知的痛點：VLA模型在實驗室中表現良好，但在實際部署中卻常常遇到困難。LingBot-VLA 2.0在之前版本的基礎上，沿着三個實用方向進行了改進：泛化能力、擴展的動作空間以及預測動力學建模。
什麼是LingBot-VLA 2.0？
LingBot-VLA 2.0是一個建立在視覺-語言骨幹網絡上的通用機器人策略。它能夠將攝像頭圖像和語言指令轉化為機器人動作。公開的模型為lingbot-vla-v2-6b，一個6B參數的“原生深度”檢查點，採用Qwen3-VL-4B-Instruct作為VLM骨幹網絡。兩個教師模型——LingBot-Depth和DINO-Video——通過蒸餾來監督訓練過程。在一次推理調用中，使用10個去噪步驟，在NVIDIA GeForce RTX 4090D上大約需要130毫秒。動作專家採用了混合專家（MoE）設計來擴展容量。
數據管道：60,000小時，涵蓋20種配置
泛化能力始於數據。研究團隊整理了大約60,000小時的預訓練數據，其中包括50,000小時的機器人軌跡和10,000小時的自我中心人類視頻。機器人數據覆蓋了20種機器人配置，從單臂裝置到完整的人形機器人。原始數據規模更大，約有90,000小時的機器人數據和20,000小時的自我中心視頻。重新設計的管道將噪聲樣本過濾掉，得到高質量的數據集。
過濾過程明確且可量化。研究團隊計算了每種體現的三階加加速度（jerk），以及速度和加速度的Z分數。異常平滑或超過95%靜態信號的片段被丟棄。視頻通過每個機器人的URDF模型與重放狀態進行核對。標註人員會移除模糊、遮擋、丟幀和多視角錯位。自我中心視頻片段經過VLM過濾器，然後進行自我中心SLAM和MANO手部姿態重建。
標註過程通過視覺-語言模型自動化。Qwen3.6-27B將每個視頻分割成時間上連續的子任務。每個子任務從一個包含18類原子動作的封閉詞表中獲得一個原子動作，包括15個原始動作以及過渡、空閒和其他。在整個語料庫中，移動（move）和過渡（transit）在頻率上佔主導地位。
統一動作表示
不同機器人具有不同的關節，因此LingBot-VLA 2.0將其統一為55維的規範向量，用於狀態和動作。這種佈局在數據集中的每種體現上都是固定的。組件維度包括：手臂關節位置（14維）、末端執行器姿態（14維）、夾持器位置（2維）、手部關節位置（12維）、腰部位置（4維）、頭部位置（2維）、移動信號（3維）以及保留維度（4維）。每個手臂末端執行器姿態使用XYZ座標加上旋轉四元數，每個手臂7維。對於缺少身體部位的機器人，只需填充相應的維度。這使得一個模型能夠控制手臂、手、夾持器、腰部、頭部和移動底座。
MoE動作專家
動作專家將其前饋網絡替換為稀疏MoE層。每個MoE層保留一個共享專家以及幾個路由專家。每個令牌僅激活前K個路由專家，因此活躍計算量保持有界。每個專家是一個SwiGLU MLP，中間寬度較小。路由採用基於sigmoid的無輔助損失策略，靈感來自DeepSeek-V3。每個專家的偏置用於糾正負載不平衡，而無需添加負載均衡損失。路由置信度仍來自模型原始的、無偏的親和度分數。在匹配活躍參數的情況下，MoE模型達到了比稠密基線更低的訓練損失，並且在GM-100任務上達到了更低的驗證動作誤差。
雙查詢蒸餾用於預測動力學
實際執行需要預期，而不僅僅是對當前幀的反應。LingBot-VLA 2.0在視覺和文本令牌之後附加了兩個可學習的查詢。Qt針對當前觀測，Qt+T針對未來觀測。時間跨度T等於動作塊大小。
兩個教師模型監督這些查詢。LingBot-Depth通過深度預測提供明確的幾何線索。DINO-Video提供時間上紮根的語義先驗。DINO-Video基於DINOv3骨幹網絡，具有逐塊因果時間注意力和3D-RoPE，在500萬個視頻片段上訓練，涵蓋互聯網、自我中心和機器人數據。在LARYBench評估中，DINO-Video在四項指標中的三項上領先。
基準測試結果
Robbyant在GM-100（Great March 100）雙手基準測試的通用設置中評估了該模型。單個策略在每種體現的九個任務上聯合訓練。結果以進度/成功率報告。在AgileX Cobot Magic平台上，LingBot-VLA-2.0達到66.2/34.4，優於π0.5的59.1/32.2和LingBot-VLA-1.0的58.2/30.0。在Galaxea R1Pro上，達到34.6/15.6，優於π0.5的27.4/8.9和LingBot-VLA-1.0的32.7/15.6。在長時域移動操作任務中，在域內（ID）和域外（OOD）設置下，LingBot-VLA-2.0均優於π0.5。例如，在Astribot S1冰箱分揀任務中，ID設置下為77.1/60.0，OOD下為37.0/13.3，而π0.5分別為65.3/46.7和30.3/6.7。改進最大的是需要精確目標定位的任務。在Agilex Retrieve keychain任務中，成功率從1.0版本的60.0提升到100.0。一些任務在進度和成功率之間仍存在差距，表明在最終精確放置或釋放步驟中仍存在失敗。
快速入門與使用案例
代碼庫提供了安裝、下載和部署腳本。可以通過Hugging Face下載檢查點。真實機器人部署使用編譯推理運行策略服務器。後訓練使用LeRobot v2.1或v3.0數據集。提供的示例在RoboTwin 2.0的50個任務上進行微調。路由可以使用序列級輔助損失和z損失，或無損失設置。配置還支持Muon優化器，默認使用AdamW。
擴展的動作空間映射到具體部署場景：
- 廚房移動操作：Astribot S1將水果和飲料分揀到冰箱中，需要底座移動、開門和放置物體。
- 表面清潔：Cobot Magic-ARX X5用海綿擦洗爐灶上的泡沫，涉及抓取、擦拭和工具重定位。
- 雙手包裝與分揀：GM-100任務包括雞蛋包裝、工具包裝和積木分揀。
- 靈巧手控制：Unitree G1、Fourier GR-2和AgiBot A2使用12自由度手部，而非夾持器。
關鍵要點
- LingBot-VLA 2.0在大約60,000小時數據上預訓練——50,000小時20種配置的機器人軌跡加上10,000小時自我中心人類視頻。
- 一個55維規範動作空間統一了手臂、末端執行器、夾持器、靈巧手、腰部、頭部和移動底座，使單個模型能夠控制全身。
- 動作專家採用令牌級無輔助損失MoE，在匹配活躍參數下，訓練損失和驗證動作誤差均低於稠密模型。
- 雙查詢蒸餾添加了當前/未來查詢，通過LingBot-Depth（幾何）和DINO-Video（時間動態）監督，實現未來感知操作。
- 在GM-100通用設置中，在AgileX Cobot Magic上達到66.2/34.4，在Galaxea R1Pro上達到34.6/15.6，領先於π0.5和LingBot-VLA-1.0；在長時域移動任務中，域內和域外均優於π0.5。
有關更多詳細信息，請參閲論文和模型權重。