四天開源四個模型，螞蟻靈波直接攤開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】落地 ——一套覆蓋感知、決策與仿真與執(zhí)行的完整技術(shù)棧全集開源。

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

起手即是破局，LingBot-Depth 率先亮相，解決了機器人視覺中“看不透”的頑疾；

緊隨其后，LingBot-VLA 接管大腦，讓機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，為機器人打造了一個極低成本的試錯空間；

而在今天，全球首個自回歸視頻-動作模型 LingBot-VA 壓軸登場，讓機器人真正學會“邊推演、邊行動”。

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

那么，它們究竟強在哪里？

眼睛：破解透明難題，讓機器人“看見不可見”

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

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

研究團隊構(gòu)建了包含200萬組真實場景數(shù)據(jù)和100萬組合成數(shù)據(jù)的訓練集，實現(xiàn)在稀疏深度補全任務(wù)中，誤差降低約 47%, 室內(nèi)場景相對誤差降低超過 70%。

在真機驗證中，啟用LingBot-Depth后的機器人抓取完全透明的塑料杯，成功率從0躍升至50%。

項目鏈接: https://technology.robbyant.com/lingbot-depth

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

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

▍大腦：20000小時真實數(shù)據(jù)，喂出最強開源VLA基座

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

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

這一數(shù)據(jù)量不僅創(chuàng)下開源領(lǐng)域新紀錄，更重要的是，研究團隊首次在真實機器人任務(wù)中系統(tǒng)驗證了VLA模型的Scaling Law：隨著預(yù)訓練數(shù)據(jù)從3000小時逐步擴展到20000小時，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，并創(chuàng)新性地將LingBot-Depth提供的深度信息通過可學習查詢對齊機制注入模型，賦予機器人精確的空間感知能力。

在上海交通大學開源的GM-100真實機器人評測基準中，引入深度信息的LingBot-VLA平均成功率達 17.3%，超越此前公認最強的Pi0.5。

在仿真基準RoboTwin 2.0中，面對高度隨機化干擾，其成功率也比π0.5領(lǐng)先近10個百分點。

這驗證了一個關(guān)鍵假設(shè)：一個在海量、異構(gòu)真實數(shù)據(jù)中訓練的大腦，能夠?qū)W會跨越硬件差異的本質(zhì)操作邏輯，真正實現(xiàn)“一個大腦，適配多個身體”。

項目網(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)報告：https://arxiv.org/abs/2601.18692

▍模擬：高?？山换サ摹疤摂M演練場”開源

在真實世界訓練機器人，成本高昂、效率低下、風險不小。于是，有一個能夠試錯、學習和推演的環(huán)境很重要。

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

它的強大，讓人瞠目：

十分鐘超長生成：畫面穩(wěn)定不崩壞，解決了長視頻生成的記憶難題。

實時交互：你可以用WASD鍵盤像玩游戲一樣實時探索這個世界，也可以用自然語言下令：“前面放個煙花”、“變成冰雪世界”，世界隨之改變。

嚴格物理規(guī)律：貓咪撞到沙發(fā)會停下，不會穿模；鏡頭移開再回來，物體仍在并符合邏輯。

高動態(tài)環(huán)境下，鏡頭長時間移開后返回，車輛形態(tài)外觀仍保持一致

鏡頭長時間移開后返回，房屋仍存在且結(jié)構(gòu)一致

這意味著，機器人可以在這個虛擬世界里進行無數(shù)次零成本的人生模擬，學習技能、試錯規(guī)劃，再將經(jīng)驗無損遷移到現(xiàn)實。

更讓社區(qū)沸騰的是，相比其他頂尖團隊的閉源策略，螞蟻靈波選擇了完全開源 。國內(nèi)外網(wǎng)友一片驚呼：“對開源社區(qū)是巨大勝利！”“這是具身智能的重大進步！”

項目網(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，還有一個關(guān)鍵問題懸而未決：如何將世界模型中推演的未來，高效、可靠地變?yōu)闄C器人在物理世界中 執(zhí)行的當下？

今天開源的 LingBot-VA，正是打通了落地的答案，是全球首個自回歸視頻-動作一體化世界模型。

它的核心突破在于“邊推演，邊行動”。

傳統(tǒng)的流程是，先讓世界模型完整推演一遍任務(wù)視頻，再讓另一個控制模型去學習模仿。而LingBot-VA將二者融合：在每一步，模型根據(jù)當前觀測，同步生成下一幀的世界畫面和達成該畫面的機器人動作。

它擁有長期記憶：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“開右盒-關(guān)右盒-開左盒”的任務(wù)中，它能清晰區(qū)分關(guān)盒前后的相同狀態(tài)，不會卡殼。

它具備少樣本快速學習能力：僅需30-50條真實演示，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-執(zhí)行-感知-修正”的實時閉環(huán)：在生成每一步時，都會納入實時傳感器反饋進行修正，確保想象不偏離現(xiàn)實。

在真實機器人評測中，面對制作早餐、高精度插入、柔性衣物折疊等高難度任務(wù)，LingBot-VA平均成功率較頂級基線模型提升20%。

在仿真評測中，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提供精準的眼睛，VLA充當通用的“大腦，World構(gòu)建可無限試錯的模擬環(huán)境，而VA則賦予實時將想象落地的“手腳”。

一個智能體從感知環(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)報告:https://github.com/Robbyant/lingbot-va/blob/master/LingBot_VA_paper.pdf

▍結(jié)語與未來

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

當前機器人行業(yè)面臨的核心痛點是場景碎片化與硬件非標化。傳統(tǒng)的為每款機器人、每個場景定制算法的模式，成本高、周期長、難以規(guī)?；?。

LingBot系列提供的是一種 “基座+適配”新范式：通過開源經(jīng)過海量真實數(shù)據(jù)預(yù)訓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景和機器人本體。

通過這次體系化的開源，可以看到螞蟻靈波的戰(zhàn)略定位也愈發(fā)明晰：不下場制造機器人軀體，而是專注于打造可規(guī)?；瘡陀玫淖顝姶竽X與核心能力，為行業(yè)提供一套標準的智能基座。

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