金磊 发自 凹非寺 | 量子位 公众号 QbitAI

那句常被用来教育年轻人的全球器人经典箴言，如今被应用到了机器人领域：

“眼光得放长远点。首个世界”

△图片由AI生成

为何如此强调“远见”？具身

因为一个成熟的机器人，不能仅具备“所见即所做”的原生预训反应式能力，更需掌握预判未来的练模核心技能。

视觉系统捕捉的物理为机是当下帧，而决策大脑必须计算几步之后的全球器人画面。在具身智能领域，首个世界这种能力被称为 VA（Video-Action）模型。具身

让我们通过以下视频直观感受其差异：

视频地址： https://mp.weixin.qq.com/s/BbgMERwM08nKqwv2ydcxHA

视频中，原生预训冰球高速运动且轨迹多变。练模若机器人仅依赖“看到哪打到哪”的物理为机反应式操作，极易被击败。全球器人

正确解法是首个世界：模型在追踪球体轨迹的同时，提前预判其后续位置，具身并据此调整身位与挥拍动作。

这正是“预判式控制”与“反应式控制”的本质区别。

然而，今天这一范式正在发生根本性变革。

VA模型不仅要具备长远眼光，更需从诞生之初就具备具身属性。

蚂蚁灵波（Robbyant）今日正式发布 LingBot-VA 2.0—— 全球首个具身原生预训练VA基座模型。

从架构设计、数据构建到训练目标，该模型自第一天起即为机器人量身定制。

核心亮点包括：
* 双臂任务成功率高达 93.6%
* 单GPU推理频率达 150Hz
* 采用 因果DiT + 稀疏MoE主干架构

继此前蚂蚁灵波连续开源发布多款模型后，LingBot-VA 2.0 再次引发行业热议，标志着机器人技术迈入新纪元。

天生“预言家”：基于物理预测的决策能力

看完冰球对战演示，读者或许会好奇：LingBot-VA 2.0 的预判能力能否胜任更复杂的真实任务？

答案是肯定的。研究团队在真实机器人上进行了多维度测试，验证了VA模型通过预判物理动态来建立动作规划的能力。

任务一：整理桌面（长程记忆与状态维持）

面对杂乱桌面，机器人需识别物体、判断移动目标及终点。

视频地址： https://mp.weixin.qq.com/s/BbgMERwM08nKqwv2ydcxHA

此任务考验模型对长时间跨度任务的状态维持能力。若记忆缺失，机器人易在操作中途“断片”。

LingBot-VA 2.0 的高维 Planner 首先进行任务拆解：左臂归位垃圾，右臂复位文具，双臂并行且避免空间冲突。

• 时序状态记忆：视频预测分支天然携带时序记忆，每一步操作后的桌面状态均在预测范围内，避免返工。
• 语义对齐：语义视觉-动作分词器使视觉 Latent 对齐语义信息，确保长序列中物体类别与目标位置理解的稳定性。

最终，机器人顺利完成全桌面整理，证明其具备应对真实生活长程操作的能力。

任务二：传送带抓取（时间对齐与同步）

场景模拟工厂仓储作业，目标为持续移动的物体。

视频地址： https://mp.weixin.qq.com/s/BbgMERwM08nKqwv2ydcxHA

此任务考验机器人对连续运动场景的时间对齐能力。动作节奏需与物体运动严丝合缝，过早或过晚均会导致抓取失败。

传统工业方案依赖光电开关等外部传感器触发同步，而纯视觉方案需模型自主计算时间。

LingBot-VA 2.0 将物体运动直接纳入动作决策：不仅识别当前位置，更预测抓取完成瞬间物体的位置，提前计算动作执行的时间开销，确保与产线节拍同步。

任务三：抓薯片（精细操作与力度控制）

挑战从“准”转向“轻”。

视频地址： https://mp.weixin.qq.com/s/BbgMERwM08nKqwv2ydcxHA

薯片薄脆，要求机器人既具备细粒度视觉伺服能力，精准把握夹爪相对位置，又需严格控制力度以防捏碎。

演示结果显示，机器人成功完成抓取，在保持视觉精细判断的同时，实现了动作幅度与力度的精准控制。

尽管上述任务分别对应长程记忆、时间对齐、精细操作三个维度，但其核心逻辑一致：LingBot-VA 2.0 通过对物理世界演化的预测，提前完成动作规划。

（LingBot-VA 2.0 完整能力视频如下）

视频地址： https://mp.weixin.qq.com/s/BbgMERwM08nKqwv2ydcxHA

技术拆解：四大核心创新

LingBot-VA 2.0 的成功源于以下四项关键技术革新：

1. 新一代语义视觉-动作分词器（Semantic Visual-Action Tokenizer）

传统视频生成 VAE 仅追求像素重建的“像”，与语义、动作关联较弱。

LingBot-VA 2.0 的分词器不仅压缩视频为 Latent，更要求视觉 Latent 同时对齐语义和动作。

• 语义注入：在像素重建同时，向冻结的视觉基础模型对齐特征，将语义信息嵌入 Latent。
• 隐动作模块：单独训练仅依赖视频（无需动作标签）的隐动作模块。
• 动力学建模：通过逆动力学与正向动力学模型，从连续两帧 Latent 反推中间动作。

这使得模型能从无标注网络视频中自主学习动作相关的监督信号。

2. 因果预训练（Causal Pre-training）

第一代 LingBot-VA 采用“双向注意力改造为单向因果”的路径，存在风险：机器人数据稀缺，改造过程易损耗预训练学到的广泛先验知识。

LingBot-VA 2.0 选择从零开始使用因果架构训练：

• 天然因果性：模型仅依据“过去”学习，匹配闭环控制中“当下无法预知未来”的物理现实。
• Next-Latent 预测：该目标既支持海量网络视频自监督学习，又天然适配机器人闭环控制的时间结构，避免“先学双向再改单向”的能力损伤。

3. 稀疏 MoE 架构（Sparse Mixture of Experts）

模型容量越大，推理延迟越高，难以满足实时性要求。

LingBot-VA 2.0 在视频预测支路引入稀疏 MoE 架构：

• 参数规模：视频主干总参数约 13B，推理时仅激活约 1.9B专家网络。
• 整体效率：含动作解码及辅助模块，总训练参数约 15.3B，但每个 Token 实际激活参数仅约 2.5B。

性能提升显著：
经过一致性蒸馏、低精度编译、长程注意力优化及运行时开销削减，推理时间从基线的 965ms/chunk降至 142ms/chunk，异步控制频率从 33Hz提升至 225Hz。

即每 142ms 输出一个包含 32 个 Action 的 Chunk，最高异步控制频率达 225Hz，极大提升了实时闭环控制能力。

4. 异步推理机制：Foresight Reasoning

若模型与机器人串行工作（算一步、动一步），计算延迟将直接转化为动作延迟，破坏实时性。

LingBot-VA 2.0 设计了 Foresight Reasoning异步推理机制：

• 并行脑补：机器人执行当前动作片段时，模型并行预测下一步：先想象当前动作执行后的画面，再基于此准备下一步动作。
• 现实校准：为防止模型依赖“脑补”结果导致偏离物理现实，每次真实观测返回时，模型会用最新真实画面重新校准预测。

本质上，这是一套“预测-执行-纠偏”的闭环机制。

性能验证：全面超越基线

上述改进带来了立竿见影的效果。

在 RoboTwin 2.0仿真基准测试中，LingBot-VA 2.0 表现优异：

• Clean（干净场景）：93.8%
• Randomized（域随机化场景）：93.4%
• Avg（平均）：93.6%

相比第一代 LingBot-VA（92.9%、91.6%、92.2%）均有提升，并全面超越 π0.5、Motus 等基线模型。

消融实验进一步验证：

1. 分词器有效性：在 50 个任务的 Easy/Hard 平均结果上，自研分词器模型成绩为 86.6% / 83.1%，显著高于通用 WAN2.2 VAE 方案的 78.0% / 76.0%。
   

2. MCP（多步预测）效率：在 50fps 随机化设置下，使用 MCP 的版本训练 5000 步后，成绩比不使用版本高出 29.7%；仅需 20000 步即可达到无 MCP 版本 45000 步的准确率，实现 2.3 倍训练加速。
   

LingBot-VA 2.0 成功将“更懂物理变化”、“更高频闭环控制”、“更少样本适配新任务”整合于同一系统。

结语：机器人大脑步入 2.0 时代

LingBot-VA 2.0 的发布，标志着具身基模从“基于数字世界模型的能力嫁接”转向“面向物理世界需求的原生设计”。

机器人的训练目标，正从“理解指令、输出动作”迁移至“学会预测动作如何改变世界”。

纵观蚂蚁灵波的发布路径，其构建“机器人大脑 2.0”的蓝图日益清晰：

• LingBot-Depth 2.0：解决空间感知。
• LingBot-VLA 2.0：解决当下动作执行。
• LingBot-Video：补齐视频生成推理效率短板。
• LingBot-VA 2.0：汇聚上述能力，实现预测式控制。

这是一条从“看清楚世界”，到“理解物理世界”，再到“在真实世界里连续行动”的完整链条。

随着机器人本体日益成熟，行业竞争焦点将不再局限于手脚的灵巧度，而在于大脑是否从出生起就真正为物理世界而生。

相关链接：
* 官方网站： https://technology.robbyant.com/lingbot-va-v2
* 技术报告： https://github.com/Robbyant/lingbot-va/blob/main/LingBot_VA2_paper.pdf