Ant Lingbo Open-Sources Embodied World Model LingBot-VA for Robot Control

1 月 30 日，继空间感知模型、具身大模型与世界模型“三连发”后，蚂蚁灵波科技今日宣布开源具身世界模型 LingBot-VA。LingBot-VA 首次提出自回归视频-动作世界建模框架，将大规模视频生成模型与机器人控制深度融合，模型在生成“下一步世界状态”的同时，直接推演并输出对应的动作序列，使机器人能够像人一样“边推演、边行动”。<br> 在真机评测中，LingBot-VA展现出对复杂物理交互的强适应能力。面对长时序任务（制作早餐、拾取螺丝）、高精度任务（插入试管、拆快递）以及柔性与关节物体操控（叠衣物、叠裤子）这三大类六项高难度挑战，仅需 30~50 条真机演示数据即可完成适配，且任务成功率相较业界强基线 Pi0.5 平均提升20%。<br> （图说：真机评测中，LingBot-VA在多项高难操作任务上性能超越业界标杆 Pi0.5）<br> 在仿真评测中，LingBot-VA在高难度双臂协同操作基准 RoboTwin 2.0 上首次将成功率提升至超过 90%，在长时序终身学习基准 LIBERO 上达到 98.5% 平均成功率，均刷新了行业纪录。<br> （图说：LingBot-VA 在LIBERO与RoboTwin 2.0仿真基准测试中刷新现有SOTA）<br> 据悉，LingBot-VA 采用 Mixture-of-Transformers（MoT）架构，让视频处理与动作控制实现跨模态融合。通过独特的闭环推演机制，模型在每一步生成时都会纳入真实世界的实时反馈，确保持续生成的画面与动作不偏离物理现实，从而控制机器人完成高难复杂任务。<br> 为突破大规模视频世界模型在机器人端侧落地的计算瓶颈，LingBot-VA 设计了异步推理管线，将动作预测与电机执行并行化处理；同时引入基于记忆缓存的持久化机制与噪声历史增强策略，让推理时只需更少生成步骤即可输出稳定、精确的动作指令。这一系列优化使得 LingBot-VA 既拥有大模型的理解深度，又具备真机低延迟控制的响应速度。<br> 蚂蚁灵波表示，承接前几日开源发布的 LingBot-World（模拟环境）、LingBot-VLA（智能基座）与 LingBot-Depth（空间感知），LingBot-VA 探索出一条“世界模型赋能具身操作”的全新路径。蚂蚁集团将持续依托 InclusionAI 社区开源开放，与行业共建具身智能基础能力，加速构建深度融合开源开放、且服务于真实产业场景的AGI生态。<br> 目前，LingBot-VA 的模型权重、推理代码已全面开源。