在人工智能与机器人技术深度融合的今天，具身智能正成为全球科技巨头角逐的新高地。近日，蚂蚁集团旗下 Robbyant 团队正式对外发布了一款名为 LingBot-VLA 2.0 的开源大模型。这款 60 亿参数的视觉-语言-动作模型，旨在解决当前机器人领域最棘手的问题之一——不同形态机器人的通用操控。
LingBot-VLA 2.0 最引人注目的特点是其卓越的泛化能力，即“跨具身”操控能力。传统的机器人模型往往针对特定任务或特定硬件进行训练，导致模型迁移困难。而 LingBot 通过引入“跨具身”的概念，将机械臂、灵巧手、腰部、头部甚至移动底盘等多种不同的身体部位，统一映射到一个 55 维的标准动作空间中。这意味着，通过单一模型，开发者便可以控制形态各异的机器人执行复杂的操作任务，大大降低了开发通用机器人的门槛。
为了支撑这一强大的模型，Robbyant 团队构建了庞大的训练数据集。该模型在约 60,000 小时的数据上进行了预训练，其中包含了 50,000 小时的机器人轨迹数据，覆盖了 20 种不同的机器人配置。此外，团队还引入了 10,000 小时的自我中心视角人类视频数据，使模型能够从人类行为中学习环境感知和操作策略。
在技术架构上，LingBot-VLA 2.0 采用了 Token 级的混合专家架构。这种设计允许模型在推理时仅激活必要的专家网络，从而在不引入复杂的辅助损失函数的情况下，灵活扩展模型容量。同时，通过从 LingBot-Depth 和 DINO-Video 等模型进行双重查询蒸馏，模型获得了更强的几何和时序监督能力，使其能够更好地理解未来的动作趋势。
性能方面，LingBot-VLA 2.0 在 GM-100 通用机器人基准测试中表现抢眼，不仅超越了上一代版本，更在部分平台上击败了开源模型 π0.5。这一成绩证明了其在处理复杂视觉输入和生成连贯动作序列方面的先进性。
作为 Apache-2.0 协议的开源模型，LingBot-VLA 2.0 的发布无疑将加速具身智能技术的普及。它不仅为学术界提供了宝贵的实验平台，也为工业界开发家庭服务机器人、自动化物流系统等应用场景提供了强有力的技术支持。随着开源社区的加入，我们有理由期待更多基于此模型的创新应用涌现。
信息来源：MarkTechPost，原文链接：https://www.marktechpost.com/2026/07/08/lingbot-vla-2-0/
