四天開(kāi)源四個(gè)模型，螞蟻靈波直接攤開(kāi)了一張具身智能的完整底牌。

從【看清】玻璃，到【理解】任務(wù)，再到【模擬】世界，最后到【行動(dòng)】落地 ——一套覆蓋感知、決策與仿真與執(zhí)行的完整技術(shù)棧全集開(kāi)源。

自1月27日起，螞蟻集團(tuán)旗下靈波科技（RobbyAnt）發(fā)起「開(kāi)源周」，打出了一套嚴(yán)密的組合拳：

起手即是破局，LingBot-Depth 率先亮相，解決了機(jī)器人視覺(jué)中“看不透”的頑疾；

緊隨其后，LingBot-VLA 接管大腦，讓機(jī)器人真正具備了理解抽象指令的通感；

第三天，LingBot-World 構(gòu)建高保真環(huán)境，為機(jī)器人打造了一個(gè)極低成本的試錯(cuò)空間；

而在今天，全球首個(gè)自回歸視頻-動(dòng)作模型 LingBot-VA 壓軸登場(chǎng)，讓機(jī)器人真正學(xué)會(huì)“邊推演、邊行動(dòng)”。

這套全家桶并非功能的簡(jiǎn)單堆砌。這四個(gè)模型單拎出來(lái)，每一個(gè)的指標(biāo)都足以在行業(yè)內(nèi)炸場(chǎng)。

那么，它們究竟強(qiáng)在哪里？

眼睛：破解透明難題，讓機(jī)器人“看見(jiàn)不可見(jiàn)”

家居機(jī)器人撞上玻璃門，工業(yè)機(jī)械臂抓不到透明零件，這些行業(yè)經(jīng)典痛點(diǎn)，源于傳統(tǒng)深度相機(jī)在透明與反光材質(zhì)前的功能性失明。

首日開(kāi)源的LingBot-Depth 選擇了一條巧妙路徑：不依賴昂貴硬件升級(jí)，而是通過(guò)掩碼深度建模（MDM）算法，讓現(xiàn)有傳感器獲得超越自身規(guī)格的感知能力。

研究團(tuán)隊(duì)構(gòu)建了包含200萬(wàn)組真實(shí)場(chǎng)景數(shù)據(jù)和100萬(wàn)組合成數(shù)據(jù)的訓(xùn)練集，實(shí)現(xiàn)在稀疏深度補(bǔ)全任務(wù)中，誤差降低約 47%, 室內(nèi)場(chǎng)景相對(duì)誤差降低超過(guò) 70%。

在真機(jī)驗(yàn)證中，啟用LingBot-Depth后的機(jī)器人抓取完全透明的塑料杯，成功率從0躍升至50%。

項(xiàng)目鏈接: https://technology.robbyant.com/lingbot-depth

HuggingFace 鏈接：https://huggingface.co/robbyant/lingbot-depth

技術(shù)報(bào)告鏈接：https://github.com/Robbyant/lingbot-depth/blob/main/tech-report.pdf

▍大腦：20000小時(shí)真實(shí)數(shù)據(jù)，喂出最強(qiáng)開(kāi)源VLA基座

有了好眼睛，更需要一個(gè)好腦子。但機(jī)器人的“腦子”一直有個(gè)頑疾：在A機(jī)器人上訓(xùn)練的技能，換到B機(jī)器人上就宕機(jī)；在實(shí)驗(yàn)室桌子能完成的任務(wù)，換張桌子就抓瞎。

LingBot-VLA的解決方案簡(jiǎn)單粗暴，用海量、多樣化的真實(shí)數(shù)據(jù)，硬生生喂出常識(shí)和泛化能力：20000小時(shí)真實(shí)機(jī)器人操作數(shù)據(jù)，覆蓋9種不同構(gòu)型的雙臂機(jī)器人。

這一數(shù)據(jù)量不僅創(chuàng)下開(kāi)源領(lǐng)域新紀(jì)錄，更重要的是，研究團(tuán)隊(duì)首次在真實(shí)機(jī)器人任務(wù)中系統(tǒng)驗(yàn)證了VLA模型的Scaling Law：隨著預(yù)訓(xùn)練數(shù)據(jù)從3000小時(shí)逐步擴(kuò)展到20000小時(shí)，模型在下游任務(wù)的成功率持續(xù)提升，且尚未出現(xiàn)飽和跡象。

技術(shù)架構(gòu)上，LingBot-VLA采用專家混合Transformer設(shè)計(jì)，并創(chuàng)新性地將LingBot-Depth提供的深度信息通過(guò)可學(xué)習(xí)查詢對(duì)齊機(jī)制注入模型，賦予機(jī)器人精確的空間感知能力。

在上海交通大學(xué)開(kāi)源的GM-100真實(shí)機(jī)器人評(píng)測(cè)基準(zhǔn)中，引入深度信息的LingBot-VLA平均成功率達(dá) 17.3%，超越此前公認(rèn)最強(qiáng)的Pi0.5。

在仿真基準(zhǔn)RoboTwin 2.0中，面對(duì)高度隨機(jī)化干擾，其成功率也比π0.5領(lǐng)先近10個(gè)百分點(diǎn)。

這驗(yàn)證了一個(gè)關(guān)鍵假設(shè)：一個(gè)在海量、異構(gòu)真實(shí)數(shù)據(jù)中訓(xùn)練的大腦，能夠?qū)W會(huì)跨越硬件差異的本質(zhì)操作邏輯，真正實(shí)現(xiàn)“一個(gè)大腦，適配多個(gè)身體”。

項(xiàng)目網(wǎng)站：https://technology.robbyant.com/lingbot-vla

模型：

https://huggingface.co/collections/robbyant/lingbot-vla

https://www.modelscope.cn/collections/Robbyant/LingBot-VLA

數(shù)據(jù)集：

https://huggingface.co/datasets/robbyant/lingbot-GM-100

GitHub：https://github.com/Robbyant/lingbot-vla

技術(shù)報(bào)告：https://arxiv.org/abs/2601.18692

▍模擬：高保可交互的“虛擬演練場(chǎng)”開(kāi)源

在真實(shí)世界訓(xùn)練機(jī)器人，成本高昂、效率低下、風(fēng)險(xiǎn)不小。于是，有一個(gè)能夠試錯(cuò)、學(xué)習(xí)和推演的環(huán)境很重要。

LingBot-World 就是在構(gòu)建一個(gè)與物理世界規(guī)律一致的 高保真、可交互仿真環(huán)境。不止是一個(gè)視頻生成模型，更是一個(gè)物理規(guī)律嚴(yán)謹(jǐn)?shù)氖澜缒M器。

它的強(qiáng)大，讓人瞠目：

十分鐘超長(zhǎng)生成：畫(huà)面穩(wěn)定不崩壞，解決了長(zhǎng)視頻生成的記憶難題。

實(shí)時(shí)交互：你可以用WASD鍵盤像玩游戲一樣實(shí)時(shí)探索這個(gè)世界，也可以用自然語(yǔ)言下令：“前面放個(gè)煙花”、“變成冰雪世界”，世界隨之改變。

嚴(yán)格物理規(guī)律：貓咪撞到沙發(fā)會(huì)停下，不會(huì)穿模；鏡頭移開(kāi)再回來(lái)，物體仍在并符合邏輯。

高動(dòng)態(tài)環(huán)境下，鏡頭長(zhǎng)時(shí)間移開(kāi)后返回，車輛形態(tài)外觀仍保持一致

鏡頭長(zhǎng)時(shí)間移開(kāi)后返回，房屋仍存在且結(jié)構(gòu)一致

這意味著，機(jī)器人可以在這個(gè)虛擬世界里進(jìn)行無(wú)數(shù)次零成本的人生模擬，學(xué)習(xí)技能、試錯(cuò)規(guī)劃，再將經(jīng)驗(yàn)無(wú)損遷移到現(xiàn)實(shí)。

更讓社區(qū)沸騰的是，相比其他頂尖團(tuán)隊(duì)的閉源策略，螞蟻靈波選擇了完全開(kāi)源 。國(guó)內(nèi)外網(wǎng)友一片驚呼：“對(duì)開(kāi)源社區(qū)是巨大勝利！”“這是具身智能的重大進(jìn)步！”

項(xiàng)目網(wǎng)站：https://technology.robbyant.com/lingbot-world

模型：

https://huggingface.co/collections/robbyant/lingbot-world

https://www.modelscope.cn/collections/Robbyant/LingBot-world

數(shù)據(jù)集：Code:https://github.com/Robbyant/lingbot-world

技術(shù)報(bào)告: https://github.com/robbyant/lingbotworld/blob/main/LingBot_World_paper.pdf

▍執(zhí)行：從“看懂世界”到“改變世界”

接下來(lái)，還有一個(gè)關(guān)鍵問(wèn)題懸而未決：如何將世界模型中推演的未來(lái)，高效、可靠地變?yōu)闄C(jī)器人在物理世界中 執(zhí)行的當(dāng)下？

今天開(kāi)源的 LingBot-VA，正是打通了落地的答案，是全球首個(gè)自回歸視頻-動(dòng)作一體化世界模型。

它的核心突破在于“邊推演，邊行動(dòng)”。

傳統(tǒng)的流程是，先讓世界模型完整推演一遍任務(wù)視頻，再讓另一個(gè)控制模型去學(xué)習(xí)模仿。而LingBot-VA將二者融合：在每一步，模型根據(jù)當(dāng)前觀測(cè)，同步生成下一幀的世界畫(huà)面和達(dá)成該畫(huà)面的機(jī)器人動(dòng)作。

它擁有長(zhǎng)期記憶：能記住完整的歷史交互，避免在相似狀態(tài)中陷入循環(huán)。例如，在“開(kāi)右盒-關(guān)右盒-開(kāi)左盒”的任務(wù)中，它能清晰區(qū)分關(guān)盒前后的相同狀態(tài)，不會(huì)卡殼。

它具備少樣本快速學(xué)習(xí)能力：僅需30-50條真實(shí)演示，就能快速適應(yīng)新任務(wù)，極大降低了部署成本。

它構(gòu)建了“預(yù)測(cè)-執(zhí)行-感知-修正”的實(shí)時(shí)閉環(huán)：在生成每一步時(shí)，都會(huì)納入實(shí)時(shí)傳感器反饋進(jìn)行修正，確保想象不偏離現(xiàn)實(shí)。

在真實(shí)機(jī)器人評(píng)測(cè)中，面對(duì)制作早餐、高精度插入、柔性衣物折疊等高難度任務(wù)，LingBot-VA平均成功率較頂級(jí)基線模型提升20%。

在仿真評(píng)測(cè)中，它更是將雙臂協(xié)同操作的成功率推至 90%以上，刷新行業(yè)紀(jì)錄。

至此，世界模型賦能具身操作的路徑終于形成：Depth提供精準(zhǔn)的眼睛，VLA充當(dāng)通用的“大腦，World構(gòu)建可無(wú)限試錯(cuò)的模擬環(huán)境，而VA則賦予實(shí)時(shí)將想象落地的“手腳”。

一個(gè)智能體從感知環(huán)境、理解任務(wù)、模擬推演到最終執(zhí)行的完整能力鏈路，被完全打通。

項(xiàng)目網(wǎng)站：https://technology.robbyant.com/lingbot-va

模型：

https://huggingface.co/collections/robbyant/lingbot-va

https://www.modelscope.cn/collections/Robbyant/LingBot-va

數(shù)據(jù)集：https://github.com/Robbyant/lingbot-va

技術(shù)報(bào)告:https://github.com/Robbyant/lingbot-va/blob/master/LingBot_VA_paper.pdf

▍結(jié)語(yǔ)與未來(lái)

螞蟻靈波此次四天四模型的體系化開(kāi)源，背后是清晰的產(chǎn)業(yè)判斷。

當(dāng)前機(jī)器人行業(yè)面臨的核心痛點(diǎn)是場(chǎng)景碎片化與硬件非標(biāo)化。傳統(tǒng)的為每款機(jī)器人、每個(gè)場(chǎng)景定制算法的模式，成本高、周期長(zhǎng)、難以規(guī)?；?。

LingBot系列提供的是一種 “基座+適配”新范式：通過(guò)開(kāi)源經(jīng)過(guò)海量真實(shí)數(shù)據(jù)預(yù)訓(xùn)練的通用模型與工具鏈，企業(yè)可以用更少的數(shù)據(jù)、更低的算力，快速適配自己的特定場(chǎng)景和機(jī)器人本體。

通過(guò)這次體系化的開(kāi)源，可以看到螞蟻靈波的戰(zhàn)略定位也愈發(fā)明晰：不下場(chǎng)制造機(jī)器人軀體，而是專注于打造可規(guī)?；瘡?fù)用的最強(qiáng)大腦與核心能力，為行業(yè)提供一套標(biāo)準(zhǔn)的智能基座。

另一種程度上，開(kāi)源也意味著以開(kāi)放協(xié)作定義的新周期剛剛開(kāi)始。那個(gè)屬于通用具身智能的未來(lái)，正在以更清晰、更務(wù)實(shí)的路徑加速到來(lái)。