編輯｜張倩

一個機器人到底需要多「聰明」，你才愿意把它請進家門？

前段時間，明星具身智能公司 1X 開始預(yù)售其人形機器人 Neo。演示視頻中，它能從冰箱取水、疊衣服、把餐具放進洗碗機，儼然一個稱職的家務(wù)助手。

但問題是，它當(dāng)時真正能自主完成的，也只有這幾件事。至于更多樣的日常任務(wù) —— 比如整理散落的玩具、擦拭臺面、收納雜物 —— 在現(xiàn)階段，大多仍需要工程師遠程教學(xué)。

這就多少有些令人遲疑：花費近 14 萬元，迎來的不僅是一個「助手」，還可能是一雙需要你授權(quán)進入家庭隱私空間的「眼睛」。社交網(wǎng)絡(luò)上，不少人也對這種「半成品智能」表達了困惑甚至調(diào)侃。

這種「演示場景自主、真實任務(wù)依賴人工」的割裂狀態(tài)，恰恰映射出當(dāng)前具身智能落地的核心挑戰(zhàn)：泛化能力不足

要突破這一瓶頸，業(yè)界共識是：需要更大規(guī)模、更多樣化的真實機器人數(shù)據(jù)來「喂養(yǎng)」模型，使其學(xué)習(xí)到更本質(zhì)的任務(wù)理解與動作泛化能力。然而，高質(zhì)量真機數(shù)據(jù)的采集成本極高，且不同構(gòu)型機器人的數(shù)據(jù)難以復(fù)用，導(dǎo)致大多數(shù)模型仍只能在有限數(shù)據(jù)或仿真環(huán)境中訓(xùn)練，難以實現(xiàn)真正的跨任務(wù)、跨本體泛化。

在這一背景下，螞蟻靈波開源發(fā)布的第一款具身智能基座模型 LingBot-VLA帶來了一個好消息：它基于約 20000 小時、覆蓋 9 種主流雙臂機器人構(gòu)型的真實世界數(shù)據(jù)預(yù)訓(xùn)練而成，在涵蓋 100 多項任務(wù)的統(tǒng)一真機評測基準(zhǔn)下整體表現(xiàn)超越 Pi0.5，成為了能夠跨本體、跨場景泛化的開源具身基座模型新標(biāo)桿。

這一超越并非偶然，而是源于 LingBot-VLA 在模型架構(gòu)、數(shù)據(jù)規(guī)模與訓(xùn)練效率上的系統(tǒng)性突破。在最新的技術(shù)報告中，我們可以看到相關(guān)細(xì)節(jié)。而且，螞蟻靈波還開源了相應(yīng)的模型權(quán)重、代碼、后訓(xùn)練工具鏈，確保開發(fā)者不僅能拿到模型，還能把模型調(diào)得更好。

• 項目鏈接：https://technology.robbyant.com/lingbot-vla
• 技術(shù)報告鏈接：https://arxiv.org/pdf/2601.18692
• 模型下載鏈接：https://huggingface.co/collections/robbyant/lingbot-vla
• 代碼、后訓(xùn)練工具鏈鏈接：https://github.com/robbyant/lingbot-vla

看來，在具身智能這個領(lǐng)域，通過大規(guī)模擴展真實數(shù)據(jù)驅(qū)動模型泛化，已從技術(shù)愿景走向工程現(xiàn)實。

超越 Pi0.5，意味著什么？

在 LingBot-VLA 出現(xiàn)之前，Physical Intelligence 開源的 Pi0.5 幾乎是行業(yè)內(nèi)無法繞開的標(biāo)桿。

為什么它有這么強的統(tǒng)治力？根本原因在于，Pi0.5 首次在開源世界里證明了：一個模型，不需要針對特定場景專門訓(xùn)練，就能在完全陌生的真實家庭環(huán)境中，完成長達 10-15 分鐘的復(fù)雜操作鏈條。這件事讓行業(yè)第一次清晰地看到，具身智能并非只能在「擺拍式」的單一任務(wù)中工作，而是有可能真正進入非結(jié)構(gòu)化、充滿不確定性的真實生活場景，完成從「實驗室奇觀」到「規(guī)�；a(chǎn)品」的過渡

所以無論是學(xué)術(shù)論文里的對比實驗，還是產(chǎn)業(yè)界的模型選型，Pi0.5 都是那個「必須要放進去比一比」的對象。也因為有這么一個「扛把子」的開源模型存在，很多機器人公司并不直接從零訓(xùn)練模型，而是選擇在 Pi0.5 的基礎(chǔ)上進行微調(diào)，再部署到自己的機器人本體上，這也進一步鞏固了它在開源具身生態(tài)中的核心地位。

當(dāng)然，也有不少團隊選擇正面硬剛，以自研模型對標(biāo) Pi0.5。但真正落到實際評測中，情況卻要復(fù)雜得多。許多模型往往只能在某一個特定任務(wù)、某一種固定構(gòu)型的機器人上取得更好的成績，一旦換一個任務(wù)類型，或換一臺不同本體的機器人，優(yōu)勢就會消失，甚至性能大幅退化。本質(zhì)上，這仍然是專用模型在特定分布上的勝利，而不是泛化能力的提升。

這種局面很大程度上受制于底層的現(xiàn)實約束。我們知道，目前困擾具身模型的最大問題就是數(shù)據(jù)不夠用，而數(shù)據(jù)與特定硬件的強綁定又加劇了這一問題。如果模型和訓(xùn)練范式無法高效吸收多源異構(gòu)數(shù)據(jù)，那么簡單地「多喂數(shù)據(jù)」這條路就跑不通。

也正是在這樣的行業(yè)背景下，真正意義上的「整體超越 Pi0.5」，才顯得格外稀缺。它不只是某個指標(biāo)上的領(lǐng)先，還意味著模型在數(shù)據(jù)利用方式、訓(xùn)練效率以及跨本體、跨任務(wù)泛化能力上，已經(jīng)邁過了一個新的臺階。LingBot-VLA 的出現(xiàn)，正是在這個時間點上，給出了一個不同于以往的答案。

三大平臺，100 項真機任務(wù)

LingBot-VLA 經(jīng)住了考驗

LingBot-VLA 的強泛化能力，本質(zhì)上來源于其對海量跨本體數(shù)據(jù)的有效利用。這個模型所用的 20000 小時真機數(shù)據(jù)，來自 9 個不同的機器人平臺。傳統(tǒng)上，由于不同機器人之間的傳感器、控制接口、本體結(jié)構(gòu)差異巨大，這些數(shù)據(jù)是很難被統(tǒng)一利用的，而 LingBot-VLA 打破了這一瓶頸。

為了驗證 LingBot-VLA 到底有多強，螞蟻靈波在一個全新的具身智能基準(zhǔn) ——GM-100上對其進行了測試。

這個基準(zhǔn)總共包含 100 項真機任務(wù)，由上海交大牽頭，螞蟻靈波等多機構(gòu)聯(lián)合研發(fā)。我們打開它的官網(wǎng)看了一下，發(fā)現(xiàn)事情并不簡單 —— 那些任務(wù)不是簡單的「pick，hold，place（拿取，保持，放置）」操作，而是涉及了很多長序列任務(wù)和精細(xì)操作，比如串糖葫蘆、拉軟包拉鏈、疊衣服…… 一些看似簡單的任務(wù)，比如按臺燈開關(guān)、整理小物體，也會因為機械臂構(gòu)型、物體材質(zhì)、位置擺放、指令理解等因素而呈現(xiàn)出區(qū)分度�？梢哉f，GM-100 通過精心設(shè)計復(fù)雜、長尾的多樣化任務(wù)，為具身大模型設(shè)置了一張科學(xué)、嚴(yán)謹(jǐn)且難以取巧的「統(tǒng)考卷」。想在這樣一個數(shù)據(jù)集上拿到好成績，對于現(xiàn)階段的模型來說是相當(dāng)不容易的。

https://mp.weixin.qq.com/s/o0WKZi-JFYd8ZDHV6_5Xfg?click_id=26

即使是這樣，螞蟻靈波還是選擇繼續(xù)上難度 —— 模型并非僅在單一機器人上驗證，而是被部署在來自三大不同平臺（AgileX、Agibot G1、Galaxea R1Pro）的 25 臺機器人上統(tǒng)一執(zhí)行任務(wù)。如此一來，整個測試就成了一個跨本體、跨任務(wù)能力的綜合考驗

同時參與測試的還有 GR00T、WALL-OSS 以及 Pi0.5，這些都是開源具身模型里的優(yōu)秀代表。

實驗結(jié)果顯示，無論在哪個平臺上，LingBot-VLA 的成功率（SR）和部分成功率（PS，子步驟完成情況）都是最高的。尤其在融入基于深度的空間信息后，模型優(yōu)勢更加明顯 —— 相比 Pi0.5 平均 SR 提高了 4.28%，PS 提高了 7.76%。這說明，無論是在復(fù)雜長序列任務(wù)的執(zhí)行精度上，還是在面對新任務(wù)的適應(yīng)能力上，LingBot-VLA 都展現(xiàn)出了更勝一籌的智能水平。

https://mp.weixin.qq.com/s/o0WKZi-JFYd8ZDHV6_5Xfg?click_id=26

https://mp.weixin.qq.com/s/o0WKZi-JFYd8ZDHV6_5Xfg?click_id=26

另外，值得注意的是，LingBot-VLA 的數(shù)據(jù)利用效率和算力效率也更高

實驗顯示，在 Agibot G1 平臺上，僅使用 80 條示范數(shù)據(jù)進行后訓(xùn)練，LingBot-VLA 的表現(xiàn)就超越了使用 130 條完整數(shù)據(jù)訓(xùn)練的 Pi0.5 模型。而且，當(dāng)數(shù)據(jù)量逐步增加時，LingBot-VLA 與 Pi0.5 的性能差距進一步拉大，這從側(cè)面印證了其模型架構(gòu)在學(xué)習(xí)潛能和泛化可擴展性上的設(shè)計優(yōu)勢。

而在算力效率方面，LingBot-VLA 的訓(xùn)練框架也展現(xiàn)出明顯優(yōu)勢。在相同數(shù)據(jù)集和標(biāo)準(zhǔn)化架構(gòu)下，其訓(xùn)練吞吐量（samples/s）均顯著高于 StarVLA、Dex Botic、OpenPI 等主流開源框架，在 Qwen2.5-VL-3B-π 與 PaliGemma-3B-pt-224-π 兩種模型設(shè)置下均實現(xiàn)最快訓(xùn)練速度。更突出的是，隨著 GPU 規(guī)模從 8 卡擴展至 256 卡，其訓(xùn)練效率仍能緊密跟隨理論線性擴展上限，展現(xiàn)出卓越的大規(guī)模分布式訓(xùn)練可擴展性。這意味著企業(yè)能以更低算力成本、更短訓(xùn)練周期完成模型迭代，實現(xiàn)從實驗到落地的高效轉(zhuǎn)化。

架構(gòu)揭秘

從「大腦」到「小腦」的智能耦合

剛才提到，LingBot-VLA 在模型架構(gòu)、數(shù)據(jù)效率、訓(xùn)練效率等方面都經(jīng)得起考驗，那么，螞蟻靈波是怎么做到的呢？在技術(shù)報告中，他們透露了一些細(xì)節(jié)。

首先，在架構(gòu)層面，LingBot-VLA 沒有從零開始，而是選擇了一個強大的預(yù)訓(xùn)練視覺語言模型（Qwen2.5- VL）作為理解世界的「大腦」，然后為其配上一個專門負(fù)責(zé)生成機器人動作的「動作專家」。兩者并非簡單拼接，而是通過一種名為Mixture-of-Transformers (MoT)的架構(gòu)有機結(jié)合：視覺、語言和動作數(shù)據(jù)各自通過獨立的處理通路，又在每一層通過共享的注意力機制進行交互。這樣既保證了視覺語義知識能持續(xù)指導(dǎo)動作生成，又避免了不同模態(tài)信息間的相互干擾。

在動作生成上，模型采用了Flow Matching方法來建模連續(xù)、平滑的動作軌跡，這有助于提升復(fù)雜操作的控制穩(wěn)定性。

對于機器人操作至關(guān)重要的空間感知能力，LingBot-VLA 采用了一種基于視覺蒸餾的深度信息融合方法。其核心在于：模型并未直接將深度圖作為原始輸入，而是通過一套可學(xué)習(xí)的查詢（Learnable Queries）機制，使其視覺語言主干（VLM）提取的特征，與專用深度模型 LingBot-Depth 所生成的空間表征進行對齊。這讓模型在推理時無需深度圖輸入，就能具備對三維幾何關(guān)系的隱式理解，從而實現(xiàn)了在抓取、放置等任務(wù)中精度的大幅提升。具體效果如視頻所示。

https://mp.weixin.qq.com/s/o0WKZi-JFYd8ZDHV6_5Xfg?click_id=26

在訓(xùn)練效率方面，研發(fā)團隊還對其訓(xùn)練代碼庫進行了系統(tǒng)級優(yōu)化。在分布式策略上，采用經(jīng)過改進的 FSDP 策略，在內(nèi)存占用與通信開銷間取得了最佳平衡；在算子層面，利用 FlexAttention 和算子融合等技術(shù)，大幅提升了核心計算效率。最終，其訓(xùn)練吞吐量達到了每 GPU 每秒 261 個樣本，相比主流開源代碼庫有 1.5 至 2.8 倍的加速，且擴展性極佳，能隨著 GPU 數(shù)量增加近乎線性地提升訓(xùn)練速度。

LingBot-VLA——

開源具身基座模型新起點

總體而言，無論在模型泛化能力還是訓(xùn)練效率方面，LingBot-VLA 都已樹立起一個新的行業(yè)標(biāo)桿。然而，其真正的深遠意義，不止于一次性能的超越，更在于它為「通過擴展真實數(shù)據(jù)實現(xiàn)更強泛化」提供了首個扎實的實證。

螞蟻靈波在技術(shù)報告中首次系統(tǒng)性地揭示了 VLA 模型在真實機器人數(shù)據(jù)上的 Scaling Law：隨著預(yù)訓(xùn)練數(shù)據(jù)規(guī)模從 3000 小時逐步擴展至 20000 小時，模型在下游任務(wù)的成功率獲得了持續(xù)且顯著的提升。尤為關(guān)鍵的是，即使達到 20000 小時這一量級，模型性能曲線仍未顯示飽和跡象。這一發(fā)現(xiàn)為行業(yè)點亮了一座燈塔，用數(shù)據(jù)證實了「大力出奇跡」的路徑在真實機器人學(xué)習(xí)中依然有效，為后續(xù)的大規(guī)模數(shù)據(jù)開發(fā)指明了可預(yù)期的回報。

更進一步看，這類以真實交互數(shù)據(jù)為核心、兼顧規(guī)模與效率的成功實踐，也為 VLA 模型未來與世界模型的深度融合奠定了現(xiàn)實基礎(chǔ)

不過，所有模型在 GM-100 上平均成功率都未超過 20% 的現(xiàn)實也在提醒我們，具身模型 —— 尤其是開源具身模型 —— 距離真正的跨本體、跨場景泛化還有很長的路要走。接下來，相關(guān)從業(yè)者可以在 LingBot-VLA 的基礎(chǔ)上繼續(xù)前進，而螞蟻靈波的全鏈路開源（模型權(quán)重、代碼、后訓(xùn)練工具鏈全部開源）也為這種持續(xù)迭代提供了土壤。

但如果把它放到更長周期里看，LingBot-VLA 可能還有另一層意義 —— 它也可以被理解為螞蟻 AGI 版圖里一次面向「真實世界交互」的落子：在基礎(chǔ)大模型（百靈）與通用助手（靈光）等「通用智能」能力之外，通過具身智能把模型帶入可驗證、可復(fù)現(xiàn)的物理世界閉環(huán)。

這也解釋了它為什么選擇以開源方式發(fā)布，并同步建設(shè) InclusionAI 這樣的開源社區(qū)與技術(shù)體系：用更開放的協(xié)作與復(fù)現(xiàn)機制擴大驗證面，讓具身智能的迭代速度更接近 AGI 需要的「規(guī)�；囧e」。

標(biāo)桿的意義，在于被超越，更在于指明方向。LingBot-VLA 的發(fā)布，或許正是這樣一個新方向的開始。