作者：呂鑫燚

出品：具身研習(xí)社

人人都在談具身智能困局，但鮮少有人能說(shuō)清困局的明路怎么走。

回溯2025年，具身智能最大的困局在“不落地”，這里的不落地并不是指商業(yè)轉(zhuǎn)化，而是技術(shù)難以“工程化”落地。這一點(diǎn)在具身模型上尤為尖銳，2025年具身模型處于“各自為戰(zhàn)”的無(wú)序競(jìng)爭(zhēng)狀態(tài)，產(chǎn)業(yè)界對(duì)具身模型的認(rèn)知，多依賴企業(yè)披露的Demo演示。

但彼時(shí)這些演示背后有個(gè)冷知識(shí)，具身模型最炙手可熱的攻克技術(shù)難關(guān)“長(zhǎng)序列復(fù)雜任務(wù)處理”能力，尚未有明確界定的評(píng)判標(biāo)準(zhǔn)。多位業(yè)內(nèi)技術(shù)人士對(duì)具身研習(xí)表示，“長(zhǎng)序列”的任務(wù)步驟、“復(fù)雜”的維度均無(wú)統(tǒng)一認(rèn)知。某學(xué)術(shù)界人物表示：“具身智能模型在長(zhǎng)序列和復(fù)雜兩個(gè)指標(biāo)上，尚未形成行業(yè)公認(rèn)的能力評(píng)估框架?！?/p>

模型標(biāo)準(zhǔn)缺失并不是簡(jiǎn)單的分不出來(lái)排名，而是衍生出對(duì)內(nèi)對(duì)外兩方面的桎梏。

對(duì)內(nèi)指的是對(duì)于企業(yè)自身發(fā)展，沒(méi)有評(píng)判標(biāo)準(zhǔn)企業(yè)難以對(duì)訓(xùn)練模型的數(shù)據(jù)質(zhì)量建立清晰認(rèn)知。也無(wú)法簡(jiǎn)單感知模型在多場(chǎng)景的適應(yīng)能力。

對(duì)外從產(chǎn)業(yè)向來(lái)看，其一，模型真實(shí)能力難以橫向?qū)Ρ?，下游?yīng)用企業(yè)選型困難，阻礙規(guī)?；涞?；其二，技術(shù)迭代缺乏統(tǒng)一標(biāo)尺，企業(yè)更多精力在“Demo內(nèi)卷”，而非可量化的工程化成果。

這也直接導(dǎo)致外界對(duì)具身智能“泡沫”的質(zhì)疑聲四起。

因此產(chǎn)業(yè)亟需的是“有序發(fā)展”，比起技術(shù)收斂更應(yīng)該先來(lái)的是“評(píng)測(cè)收斂”，而這也是破解困局的最優(yōu)解。近日，上海交通大學(xué)聯(lián)合多個(gè)單位發(fā)布了“用于評(píng)估具身智能機(jī)器人的100項(xiàng)細(xì)節(jié)導(dǎo)向型任務(wù)”，通過(guò)多個(gè)指標(biāo)全方位評(píng)判模型標(biāo)準(zhǔn)，為具身模型可落地樹(shù)立起參考坐標(biāo)系。

其中，螞蟻LingBot-VLA在統(tǒng)一真機(jī)評(píng)測(cè)基準(zhǔn)下整體表現(xiàn)超越Pi0.5。在綜合基準(zhǔn)測(cè)試中的系統(tǒng)性評(píng)估表明，LingBot-VLA實(shí)現(xiàn)了先進(jìn)的性能和出色的泛化能力。

在一個(gè)客觀真實(shí)的評(píng)測(cè)中，當(dāng)LingBot-VLA領(lǐng)先PI半個(gè)身位時(shí)，其不僅標(biāo)志著具身智能模型的長(zhǎng)效發(fā)展關(guān)鍵在于模型能力的持續(xù)探索，更在于產(chǎn)業(yè)內(nèi)有一條規(guī)范化可落地的發(fā)展路線。由此可見(jiàn)，標(biāo)準(zhǔn)先行不僅能驅(qū)散具身智能“泡沫論”的陰霾，這條清晰路徑，更能引領(lǐng)行業(yè)走出困局，邁向高質(zhì)量發(fā)展新階段。

為什么很長(zhǎng)一段時(shí)間業(yè)內(nèi)具身模型的評(píng)測(cè)是空白的？

其關(guān)鍵點(diǎn)在于評(píng)測(cè)的角色不只是“一套評(píng)測(cè)工具”，而是基于真實(shí)場(chǎng)景、真實(shí)操作任務(wù)所要求的能力倒推出來(lái)的benchmark。例如，現(xiàn)在大語(yǔ)言模型評(píng)測(cè)工具的價(jià)值并非單一的“模型打分”，而是貫穿大模型從研發(fā)到落地的全生命周期，為技術(shù)團(tuán)隊(duì)、產(chǎn)業(yè)客戶、監(jiān)管機(jī)構(gòu)提供差異化的評(píng)價(jià)依據(jù)，是大模型產(chǎn)業(yè)從“野蠻生長(zhǎng)”走向“規(guī)范發(fā)展”的重要支撐。

從這條邏輯來(lái)看，具身智能現(xiàn)有評(píng)測(cè)方案還相對(duì)局限，當(dāng)前主流機(jī)器人學(xué)習(xí)數(shù)據(jù)集和任務(wù)設(shè)計(jì)，始終跳不出“抓取并持有”這類(lèi)常見(jiàn)行為的舒適區(qū)，對(duì)復(fù)雜場(chǎng)景、長(zhǎng)尾任務(wù)的覆蓋嚴(yán)重不足。更關(guān)鍵的是，現(xiàn)在尚未形成統(tǒng)一的評(píng)估標(biāo)準(zhǔn)，讓不同團(tuán)隊(duì)的技術(shù)方案難以公平對(duì)比，模型在真實(shí)環(huán)境中的泛化能力也無(wú)從精準(zhǔn)驗(yàn)證，不僅制約了技術(shù)迭代效率，更成為機(jī)器人產(chǎn)業(yè)化落地的“隱形壁壘”。

為了解決現(xiàn)有局限性，GM-100的核心設(shè)計(jì)包含100項(xiàng)細(xì)節(jié)導(dǎo)向型任務(wù)，覆蓋廣泛人機(jī)交互和長(zhǎng)尾行為，這些任務(wù)設(shè)計(jì)的出發(fā)點(diǎn)并非是主觀臆斷，而是以物理常識(shí)和底層操作知識(shí)為標(biāo)準(zhǔn)，結(jié)合人機(jī)交互、物體功能特性，通過(guò)Qwen3大語(yǔ)言模型自動(dòng)生成候選任務(wù)，再經(jīng)專(zhuān)家篩選優(yōu)化。

這種任務(wù)設(shè)計(jì)的模式，能有效測(cè)試模型的泛化邊界，且每一項(xiàng)都精準(zhǔn)命中場(chǎng)景對(duì)機(jī)器人“真實(shí)能力”的驗(yàn)證需求。這正是產(chǎn)業(yè)界對(duì)評(píng)測(cè)基準(zhǔn)的核心訴求：既要“能落地驗(yàn)證”，又要“能區(qū)分優(yōu)劣”。

從評(píng)測(cè)結(jié)果來(lái)看，不同于傳統(tǒng)評(píng)測(cè)僅看“任務(wù)成功與否”的單一維度，GM-100構(gòu)建了成功率（SR）、部分成功率（PSR）、動(dòng)作預(yù)測(cè)誤差（MSE/L1）的三維評(píng)估體系，恰好匹配了產(chǎn)業(yè)對(duì)機(jī)器人模型的多層級(jí)驗(yàn)證需求：

• 成功率（SR）直觀反映模型完成完整任務(wù)的能力，對(duì)應(yīng)產(chǎn)業(yè)場(chǎng)景中的“落地效果”；
• 
  
• 部分成功率（PSR）針對(duì)復(fù)雜多步驟任務(wù)，拆解子目標(biāo)完成情況，讓企業(yè)清晰看到模型的 “短板環(huán)節(jié)”，為迭代優(yōu)化提供精準(zhǔn)方向；
• 
  
• 動(dòng)作預(yù)測(cè)誤差則穿透表面效果，衡量模型對(duì)專(zhuān)家動(dòng)作的理解與復(fù)現(xiàn)能力，是判斷模型底層穩(wěn)定性的關(guān)鍵指標(biāo)。

GM-100的另一大產(chǎn)業(yè)價(jià)值，在于其完全開(kāi)放的生態(tài)布局，并搭建了社區(qū)驅(qū)動(dòng)的開(kāi)放評(píng)估平臺(tái)。依賴集體監(jiān)督和開(kāi)放證據(jù)共享，而非僵化的集中式測(cè)試。讓評(píng)測(cè)結(jié)果“有依據(jù)”，而非“值得推敲”。

更重要的是，GM-100是由上海交通大學(xué)主導(dǎo)、多方參與的第三方評(píng)測(cè)項(xiàng)目，雖然有其他單位主體參與支持，但GM-100完全脫離單一企業(yè)的利益綁定，其獨(dú)立客觀的屬性恰好填補(bǔ)了行業(yè)空白。

由此可見(jiàn)，GM-100這種中立評(píng)測(cè)能有效減少“自證自夸”的行業(yè)亂象，推動(dòng)技術(shù)競(jìng)爭(zhēng)回歸“實(shí)力比拼”的本質(zhì)。

當(dāng)GM-100為產(chǎn)業(yè)提供了客觀且真實(shí)的模型展示窗口時(shí)，該窗口也成為窺見(jiàn)模型能力的絕佳途徑。

在GM-100中，LingBot-VLA在統(tǒng)一真機(jī)評(píng)測(cè)基準(zhǔn)下整體表現(xiàn)超越Pi0.5。無(wú)論是在復(fù)雜長(zhǎng)序列任務(wù)的執(zhí)行精度上、還是在面對(duì)新任務(wù)的適應(yīng)能力上，一個(gè)泛化能力強(qiáng)能勝任精細(xì)化操作任務(wù)的LingBot-VLA都展現(xiàn)出了更勝一籌的智能水平，也詮釋了通用模型底座的模樣。

具體而言，LingBot-VLA在3種機(jī)器人平臺(tái)上進(jìn)行評(píng)測(cè)，AgileX、Agibot G1和Galaxea R1Pro。均為雙臂配置，配備平行夾爪和多相機(jī)（2個(gè)腕部相機(jī)+1個(gè)頭部相機(jī)），捕捉第一人稱視角。LingBot-VLA在所有平臺(tái)上的成功率（SR）和進(jìn)展分?jǐn)?shù)（PS）均領(lǐng)先。LingBot-Depth和pi0.5相比平均SR提升4.28%，PS提升7.76%。

LingBot-VLA是一種實(shí)用的VLA基礎(chǔ)模型，其訓(xùn)練數(shù)據(jù)來(lái)自9種機(jī)器人平臺(tái)約20,000小時(shí)真實(shí)世界操作數(shù)據(jù)。

從模型架構(gòu)來(lái)看，LingBot-VLA采用混合Transformer（MoT）架構(gòu)，融合預(yù)訓(xùn)練VLM（Qwen2.5VL）與“動(dòng)作專(zhuān)家”模塊，通過(guò)共享自注意力實(shí)現(xiàn)多模態(tài)統(tǒng)一建模。說(shuō)人話就是，一個(gè)負(fù)責(zé)看懂多視角圖片、聽(tīng)懂任務(wù)指令的“聰明大腦”；另一個(gè)是專(zhuān)門(mén)管“動(dòng)”的“動(dòng)作專(zhuān)家”，負(fù)責(zé)生成機(jī)器人的操作動(dòng)作。

圖片和指令先讓“視覺(jué)-語(yǔ)言大腦”解讀，機(jī)器人自己的狀態(tài)（比如初始位置、之前做過(guò)的動(dòng)作）交給“動(dòng)作專(zhuān)家”，倆組件還能共享信息，避免各自為政出問(wèn)題。再以“流匹配”的方法，讓機(jī)器人的動(dòng)作不僵硬、更平滑，不管是復(fù)雜任務(wù)，還是換不同機(jī)器人，都能精準(zhǔn)操作。

在訓(xùn)練優(yōu)化側(cè)，由于動(dòng)作數(shù)據(jù)本質(zhì)上是高頻數(shù)據(jù)，因此建立包含分布式訓(xùn)練和算子優(yōu)化的高效流水線至關(guān)重要。LingBot-VLA選擇采用FSDP分布式策略、混合精度訓(xùn)練和算子融合技術(shù)，解決了訓(xùn)練瓶頸并提高效率。

從LingBot-VLA的實(shí)際表現(xiàn)來(lái)看，該模型有非常明顯的標(biāo)簽即“精準(zhǔn)回應(yīng)”，直擊行業(yè)“專(zhuān)用性強(qiáng)、泛化性弱、效率低”的三大難題。

首先，LingBot-VLA是一個(gè)通用模型底座，能打破“一機(jī)一腦”的硬件壁壘。這份“跨本體”的適應(yīng)性不僅證明了模型能力的可擴(kuò)展性、可復(fù)用性。更能以模型能力釋放研發(fā)內(nèi)耗，研發(fā)團(tuán)隊(duì)不必在多個(gè)本體之間重復(fù)完成高成本數(shù)據(jù)采集和訓(xùn)練。

其次，LingBot-VLA突破單一任務(wù)限制。目前很多具身大模型的本質(zhì)是“小模型”或者“專(zhuān)模型”，一個(gè)模型智能滿足部分技能，例如只能做簡(jiǎn)單的抓取&放置，要想完成長(zhǎng)序列需要單獨(dú)訓(xùn)練一個(gè)模型。而LingBot-VLA則是面向多任務(wù)的“真通用”模型，能同時(shí)完成抓取、放置、疊衣服、擦拭桌面等任務(wù)。實(shí)現(xiàn)了從“單技能適配”到“多任務(wù)通用”的關(guān)鍵跨越。

最后，LingBot-VLA突破了數(shù)據(jù)與算力瓶頸，通過(guò)更少的數(shù)據(jù)量、更低的GPU算力消耗實(shí)現(xiàn)更優(yōu)模型效果。依托于底層代碼的深度優(yōu)化，模型訓(xùn)練周期從原本的3個(gè)月大幅壓縮至1個(gè)月。這不僅直接降低了企業(yè)與開(kāi)發(fā)者的算力投入成本，更顯著提升了模型的迭代敏捷性，助力其加快模型在真實(shí)業(yè)務(wù)場(chǎng)景的落地部署節(jié)奏，從而在白熱化的市場(chǎng)競(jìng)爭(zhēng)中率先搶占發(fā)展先機(jī)。

在LingBot-VLA基礎(chǔ)之上，螞蟻還研發(fā)了面向真實(shí)場(chǎng)景的深度補(bǔ)全模型LingBot-Depth，依托奧比中光Gemini 330系列雙目3D相機(jī)進(jìn)行RGB-Depth數(shù)據(jù)采集與效果驗(yàn)證?；谏疃纫嫘酒背龅纳疃葦?shù)據(jù)進(jìn)行訓(xùn)練與優(yōu)化，能讓不完整且受噪聲干擾的深度傳感器數(shù)據(jù)轉(zhuǎn)化為高質(zhì)量、具備真實(shí)尺度的三維測(cè)量結(jié)果，提升環(huán)境深度感知與三維空間理解能力。

從實(shí)際效果來(lái)看，在架構(gòu)、硬件等一系列創(chuàng)新下，機(jī)器人能看到甚至是抓取反光的透明杯，為機(jī)器人、自動(dòng)駕駛汽車(chē)等智能終端賦予更精準(zhǔn)、更可靠的三維視覺(jué)，打開(kāi)空間智能的新篇章。

一個(gè)無(wú)需造成數(shù)據(jù)、算力研發(fā)內(nèi)耗，且能適配不同本體、支撐多任務(wù)執(zhí)行的通用基礎(chǔ)模型，是具身智能機(jī)器人走向物理世界真實(shí)操作的核心基座。

LingBot-VLA為具身智能產(chǎn)業(yè)的通用化發(fā)展筑牢了這一技術(shù)根基。

LingBot-VLA更具有里程碑的意義在于，其不僅全方位領(lǐng)先pi0.5，還觸碰到了scaling law的大門(mén)。

基于在海量的真實(shí)世界數(shù)據(jù)上的預(yù)訓(xùn)練數(shù)據(jù)規(guī)模從3,000小時(shí)擴(kuò)展到6,000、13,000、18,000，最終至20,000小時(shí)，模型在下游任務(wù)的成功率獲得持續(xù)且顯著的提升。值得注意的是，預(yù)訓(xùn)練數(shù)據(jù)量達(dá)到20,000小時(shí)時(shí)，模型性能仍呈現(xiàn)上升趨勢(shì)，表明VLA的性能仍然能夠隨著數(shù)據(jù)量的增加而提升。這些實(shí)驗(yàn)結(jié)果證明了VLA模型在用真實(shí)數(shù)據(jù)預(yù)訓(xùn)練時(shí)呈現(xiàn)了良好的可擴(kuò)展性，為未來(lái)的VLA開(kāi)發(fā)和大規(guī)模數(shù)據(jù)挖掘提供了重要啟示。

此外，LingBot-VLA直接全鏈路開(kāi)源，包括模型權(quán)重、代碼、后訓(xùn)練工具鏈。提供模型、后訓(xùn)練工具鏈，確保開(kāi)發(fā)者不僅“拿得到”，還能“用得好”，真正賦能產(chǎn)業(yè)落地。目前已經(jīng)和星海圖、松靈等本體廠商完成真機(jī)驗(yàn)證。

LingBot-VLA的實(shí)測(cè)表現(xiàn)及開(kāi)源，不僅讓行業(yè)看到了通用具身大模型解決實(shí)際產(chǎn)業(yè)痛點(diǎn)的可行性，更從技術(shù)層面降低了具身智能的研發(fā)與落地門(mén)檻。

對(duì)于中小開(kāi)發(fā)者而言，數(shù)據(jù)、算力成本的下降、跨本體適配能力的實(shí)現(xiàn)，讓其無(wú)需投入巨額資源開(kāi)展底層模型研發(fā)，可直接基于通用底座進(jìn)行場(chǎng)景化二次開(kāi)發(fā)；對(duì)于頭部企業(yè)而言，通用模型底座的成型，能推動(dòng)行業(yè)從“各立標(biāo)準(zhǔn)、重復(fù)研發(fā)”的分散階段，走向“底座通用、協(xié)同創(chuàng)新”的產(chǎn)業(yè)聚合階段。

從產(chǎn)業(yè)發(fā)展規(guī)律來(lái)看，具身智能模型開(kāi)源已成為技術(shù)規(guī)?；涞氐谋厝贿x擇。

開(kāi)源生態(tài)是降低行業(yè)門(mén)檻、加速技術(shù)迭代的核心動(dòng)力。LingBot-VLA的開(kāi)源，恰好踩中了這一產(chǎn)業(yè)脈搏，以開(kāi)源力量重構(gòu)產(chǎn)業(yè)協(xié)同邏輯，打破具身智能領(lǐng)域“閉源內(nèi)卷”的行業(yè)慣性，成為引領(lǐng)行業(yè)走出困局的關(guān)鍵引擎。

從產(chǎn)業(yè)生態(tài)的長(zhǎng)遠(yuǎn)發(fā)展來(lái)看，LingBot-VLA的開(kāi)源只是起點(diǎn)，其更大的價(jià)值在于激活整個(gè)具身智能產(chǎn)業(yè)的協(xié)同創(chuàng)新活力。

隨著開(kāi)源生態(tài)的持續(xù)完善，將吸引更多本體廠商、場(chǎng)景解決方案商、高?？蒲袌F(tuán)隊(duì)加入其中，形成“模型迭代-場(chǎng)景驗(yàn)證-反哺模型”的正向循環(huán)：開(kāi)發(fā)者基于開(kāi)源底座開(kāi)發(fā)的場(chǎng)景化解決方案，將為模型帶來(lái)更多真實(shí)場(chǎng)景的訓(xùn)練數(shù)據(jù)，推動(dòng)LingBot-VLA持續(xù)優(yōu)化迭代；本體廠商則可基于開(kāi)源模型的核心能力，針對(duì)性升級(jí)硬件性能，打造更貼合通用模型的機(jī)器人產(chǎn)品；而各行業(yè)的場(chǎng)景方，也能快速找到適配自身需求的“模型+硬件”組合，加速具身智能機(jī)器人在各領(lǐng)域的規(guī)?；瘧?yīng)用。

至此具身智能破局的明路已經(jīng)清晰，通過(guò)客觀高含金量的評(píng)測(cè)“規(guī)束”能力，用更優(yōu)異的模型帶動(dòng)帶動(dòng)落地可行性，再以開(kāi)源擴(kuò)大可復(fù)制性。

這是一條極具想象空間的落地之路，也是具身智能機(jī)器人生產(chǎn)力革新的前奏。

結(jié)語(yǔ)

LingBot-VLA于具身智能產(chǎn)業(yè)而言是一個(gè)“新物種”，但當(dāng)我們把視角調(diào)回螞蟻集團(tuán)本身，會(huì)發(fā)現(xiàn)該模型是螞蟻以開(kāi)源姿態(tài)探索AGI的一塊拼圖。

從基礎(chǔ)大模型百靈，到通用AI助手靈光、具身智能機(jī)器人靈波再到今天的LingBot-VLA，以及涵蓋基礎(chǔ)模型、多模態(tài)、推理、新型架構(gòu)及具身智能的完整技術(shù)體系與開(kāi)源生態(tài)的開(kāi)源社區(qū)“InclusionAI”。螞蟻集團(tuán)“由內(nèi)到外”的構(gòu)建AGI時(shí)代的智能底座和毛細(xì)血管。

可以說(shuō)，螞蟻集團(tuán)并不是以競(jìng)爭(zhēng)姿態(tài)入局，而是以開(kāi)源為主基調(diào)，面向企業(yè)、高校等諸多主體提供了一個(gè)“新牌桌”。在這個(gè)牌桌上基礎(chǔ)設(shè)施更完善，玩家手里的籌碼也更多。

諸多主體的共同促動(dòng)下，AGI不再是暢想，而是一條可落地的發(fā)展道路。