蚂蚁集团 Robbyant 开源 LingBot-VLA 2.0：6B 参数跨形态机器人操控模型，统一 55 维动作空间

一句话看懂

蚂蚁集团 Robbyant 开源了 LingBot-VLA 2.0，一个 6B 参数的视觉-语言-动作模型，能跨 20 种机器人形态操控，在 GM-100 基准上超越 π0.5。

详细发生了什么

7 月 9 日，蚂蚁集团旗下 Robbyant 团队发布了 LingBot-VLA 2.0。这是一个 Apache-2.0 开源的 Vision-Language-Action (VLA) 基础模型，包含技术报告、代码库和 6B 参数权重。该模型旨在解决 VLA 模型在实验室表现良好但部署时易失败的问题，沿三个方向改进：泛化能力、扩展动作空间和预测动力学建模。

LingBot-VLA 2.0 基于 Qwen3-VL-4B-Instruct 作为视觉语言骨干，通过两个教师模型（LingBot-Depth 和 DINO-Video）进行蒸馏训练。推理时在 NVIDIA RTX 4090D 上仅需约 130ms（10 步去噪）。数据方面，团队筛选了约 6 万小时高质量数据，包括 5 万小时机器人轨迹（覆盖 20 种机器人配置）和 1 万小时第一人称人类视频。

核心创新之一是统一的 55 维规范动作空间，将不同机器人的关节映射到固定向量，涵盖手臂、末端执行器、夹爪、灵巧手、腰部、头部和移动底座。动作专家采用 token 级无辅助损失的 MoE 设计，灵感来自 DeepSeek-V3，在相同活跃参数下训练损失更低。双查询蒸馏机制通过当前和未来两个可学习查询，结合深度和时序监督，实现前瞻性控制。

在 GM-100 通用基准上，LingBot-VLA 2.0 在 AgileX Cobot Magic 上达到 66.2/34.4（进度/成功率），在 Galaxea R1Pro 上达到 34.6/15.6，均优于 π0.5 和上一代。在长时移动操作任务中，无论是域内还是域外设置，都领先于 π0.5。

中文圈视角

国内用户用得上吗？ 模型权重和代码已在 Hugging Face 和 GitHub 开源，但国内访问 Hugging Face 可能需要代理。不过，团队提供了完整的安装和部署脚本，支持 LeRobot 数据集格式，国内开发者可以将其下载到本地或阿里云等国内镜像。模型基于 Qwen3-VL，对中文指令的理解天然友好，但训练数据以英文为主，中文场景可能需要微调。

国产平替与对比：目前国内机器人 VLA 模型较少，LingBot-VLA 2.0 填补了空白。相比 π0.5（Physical Intelligence 的闭源模型），它完全开源且性能更强。与国内类似工作（如清华的 UniPi、星动纪元的模型）相比，LingBot-VLA 2.0 在跨形态统一动作空间和 MoE 设计上更具创新性。对于国内机器人公司（如宇树、傅利叶、智元），该模型可直接用于灵巧手和双足机器人控制，降低研发门槛。

监管与合规：模型使用 Apache-2.0 许可，商业友好。但需注意，训练数据包含人类视频，若用于国内场景需确保数据合规。模型本身不涉及敏感内容，但作为机器人控制模型，部署时需符合《新一代人工智能伦理规范》。

中文圈盲点：多数讨论聚焦于模型性能，但忽略了其“无辅助损失 MoE”设计对边缘部署的意义——在算力受限的机器人本体上，该设计能保持低延迟。此外，双查询蒸馏中的 DINO-Video 模型（基于 DINOv3 和因果时序注意力）本身也是一个值得关注的研究方向。

几条值得记住的细节

数据规模：预训练数据约 6 万小时，其中机器人数据 5 万小时（20 种配置），人类视频 1 万小时。
统一动作空间：55 维规范向量，覆盖手臂（14 维）、末端执行器（14 维）、夹爪（2 维）、灵巧手（12 维）、腰部（4 维）、头部（2 维）、移动底座（3 维）等。
推理速度：在 RTX 4090D 上约 130ms/步（10 步去噪），适合实时控制。
基准成绩：在 GM-100 上，AgileX Cobot Magic 平台成功率 34.4%，Galaxea R1Pro 成功率 15.6%，均领先 π0.5。
开源许可：Apache-2.0，代码和权重均可商用，支持 LeRobot 数据集微调。

一句话总结

LingBot-VLA 2.0 让国内机器人团队有了一个开源、高性能的跨形态操控基础模型，尤其适合灵巧手和移动操作场景。