国产开源新突破！5万小时真机数据，撕开行业最大痛点

发布时间：2026-07-17 09:31:17 来源：安智兰德资讯网 作者：百科

新智元报道

【新智元导读】 当机器人后空翻刷屏时，国产代表小脑已经在快速进展。开源但你是新突小时行业否意识到，让机器人真正干活卡脖子的破万从来不是小脑，而是真机最大脑？蚂蚁灵波刚刚开源的LingBot-VLA2.0，用同一套模型「驯服」了20种的数据撕开机器人构型。行业终于有人开始认真算重复适配成本这笔账了。痛点

去年，国产机器人圈最热闹的开源画面，都是新突小时行业关于「身体」的。

机器人能后空翻了，破万机器人能跑完一场半程马拉松了……

每一条视频都在告诉你：看，真机最它的数据撕开胳膊多灵活，它的痛点腿多稳，它摔倒了还能自己爬起来。国产

热闹，好看，掌声雷动。

然而，这只是精心编排的「楚门的世界」。

从控制理论来看，这多是特定封闭环境下的局部优化成果，而非真正的认知推理与模型驱动的长期规划。

但是，不同的构型本身也是一种泛化挑战。每一个机器人品牌、每一种硬件构型，都像是一座孤立的语言孤岛。我们造出了无数具精美的「躯壳」，却在如何让它们开口说话、动手干活的「巴别塔」前束手无策。

Demo越惊艳，藏在后面的账单就越吓人；下一个客户换一副本体，一切就得从头再来。

正是在这种「身体过热、大脑缺位」的产业夹缝中， 蚂蚁集团旗下具身智能企业蚂蚁灵波（Robbyant） 选择了一条截然不同的道路：

他们不跟风去卷硬件、卷参数、谁的身体更能打，而是直击行业最痛的死穴——在卷谁的大脑更通用、更实用、更能落地。

从诞生之初，LingBot-VLA系列大模型就将自己定位为 具身智能领域的「行业通用大脑」，旨在用同一颗「通用脑」去解决「一脑多机」的泛化难题。

半年前，蚂蚁灵波用2万小时高质量真机数据，（其中涵盖9种机器人构型），开源了LingBot-VLA 1.0。

刚刚，蚂蚁灵波科技开源了具身操作基座模型LingBot-VLA 2.0，直指行业难题。

技术报告：From Foundation to Application: Improving VLA Models in Practice

报告地址：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf

项目页面：https://technology.robbyant.com/lingbot-vla-v2

代码库：https://github.com/robbyant/lingbot-vla-v2

Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vla-v2

ModelScope：https://modelscope.cn/collections/Robbyant/LingBot-VLA-V2

相较于1.0时代，LingBot-VLA 2.0在通用泛化能力上迎来了全面升级。

跨平台统治力：从「适配一款」到「通吃20种」

要跨越具身智能规模化落地的临界点，模型不能只在某一台机器人、某一个任务上跑通，真正的考题是，换本体、换场景、换任务后，能力还能不能稳定迁移。

2026年初，蚂蚁灵波正式发布并开源了具身操作基座模型 LingBot-VLA 1.0 。

当时，整个行业对VLA模型在真实世界部署的效率和成本深感疑虑——如何用有限的数据和算力，让模型在真实的双臂平台上跑起来？

1.0版本用极其务实（Pragmatic）的设计，给出了第一代解法。

LingBot-VLA 1.0率先放弃了单纯依赖仿真合成数据的幻想，坚持走 大规模物理数据Scale Up 的路线。它在预训练阶段汇聚了 2万小时 的高质量双臂机器人操作轨迹真机数据。这些数据并非单一构型，而是跨越了 9种当时主流的双臂机器人构型 。

在算力上，1.0团队构建了一套极其高效的底层训练体系。在8卡GPU的FSDP/混合并行训练设置下，其单卡预训练吞吐率达到了惊人的 261 samples/秒 。相比当时主流的VLA训练代码库，实现了 1.5倍至2.8倍的计算加速 。

这种高吞吐、轻量化的架构设计，让后训练（Post-Training）成本大幅下降。用户不需要动用太多卡进行漫长的全局重训，仅需通过少量的下游任务微调，即可将双臂操作能力迁移至新的任务场景。

而到了2.0时代，预训练阶段覆盖了 20种以上的机器人构型 ，横跨国内外17个主流品牌，包括：

乐聚（Leju KUAVO 4 Pro）、宇树、星尘（Astribot S1）、松灵（AgileX）、智元（AgiBot G1/A2）、星海图（Galaxea R1Pro/R1Lite）、银河通用（Galbot G1）、Realman、Franka、方舟（ARX Lift2）、天宫、UR、GR2、MagicBot Gen1、 Moz1、Zerith、非夕、青龙等。

预训练数据从 2万小时双臂机器人数据扩充5万小时高质量真机数据。

这份名单本身就极具分量：它不是在实验室里挑选三五种形态相似的机械臂做demo，而是将市面上主流物理构型、运动学约束差异最大的一批人形、半人形、单臂及多复合型机器人拉到一起，实现了 同一套大模型权重的跨本体泛化 。

更关键的改变发生在行动空间的尺度上。

LingBot-VLA 2.0首次将 头部、腰部、末端执行器（手）、移动底盘等全身多维自由度 统一纳入了同一种标准的动作表示框架中。大模型不再只是个「提线木偶的手臂控制器」，而是学会了「动全身」。

这意味着，它不仅能指挥双臂在桌面上灵巧操作，更能调动腰部下蹲、配合底盘在三维空间中大范围移动、转身、开门，完成极具挑战性的精细化 长序列移动操作任务（Long-Horizon Mobile Manipulation） 。

基于 GM-100双臂操作通用基准 ，LingBot-VLA 2.0在测试中展现出跨本体的显著优势：

GM-100是通用基准（generalist），专门设计用于挑战机器人智能体的泛化极限，一个模型多个任务。对比之下，专用基准则是一个模型一个任务。

在移动能力方面，LingBot-VLA 2.0基于两类硬件平台——方舟机械臂+松灵底盘与绳驱轮式人形机器人星尘智能S1 ，初步对比测试了π0.5。

结果表明，LingBot-VLA 2.0在长程移动操作任务中，任务进度分和成功率均显著领先，尤其在更具挑战性的 跨域场景下优势稳固 ，展现出更强的长序列任务推进能力与移动操作泛化能力。

在移动操作评测中，整体任务被拆解为若干连续的子步骤，每个步骤依据其难度和重要程度被赋予不同分值。机器人每成功完成一个步骤，即可获得相应分数，最终累计得分反映了其在长序列任务中的实际推进能力。

相比于仅以最终成功率为衡量标准，这种分步评分方式能够更加细致地评估模型在移动、双臂协作、抓取、放置、开门、清洁等多样化环节中的综合表现。

对技术侧来说，这体现了模型的跨构型泛化能力；对产业侧来说，这意味着不同构型机器人本体的重复适配成本有机会降低，客户可以更快完成新本体、新任务、新场景的验证。

LingBot-VLA 2.0的三大底层技术革命

要让同一颗大脑「驯服」二十种迥异的机器肉身，技术路径不能再沿袭传统的「堆砌」策略，必须依赖模型架构和数据管线新的升级。

1. 全身协同：从机械臂控制扩展到全身自由度控制

现有的许多VLA大模型，动作空间（Action Space）受限。

很多模型在设计之初只考虑了6自由度或7自由度的单只机械臂，一旦机器人搭载了移动底盘，或者换成了拥有灵巧手的人形形态，原有的动作输出层就会彻底失效。

这导致机器人「身体在移动，手臂在装死」，或者「手臂在抓取，头和腰在僵硬围观」，无法实现流畅的全身协同。

为了打破这种物理限制，LingBot-VLA 2.0重新设计并规范了 统一动作表示（Unified Action Representation） ，用 55维canonical向量 表示多种构型机器人的运动。

• 臂部控制：14维双臂关节位置+14维末端执行器（EEF）位姿（支持三维空间位置及旋转四元数映射）。
• 末端交互：2维夹爪控制或12维灵巧手关节（Dexterous Hand）控制。
• 躯干与传感器控制：4维腰部控制+2维头部（视点方向）控制，让头部相机能实时对准操作中心。
• 移动控制：3维移动底盘（Mobility/Base）控制。
• 保留扩展：4维保留空间。

在真实任务中，复杂的移动操作绝非拼凑动作。

它让复杂的全身协同长序列操作，终于拥有了系统级优雅落地的技术保障。

2. 三维空间感知的泛化跃迁

以往的VLA模型主要依赖RGB摄像头图像进行端到端控制。但在真实的物理交互中， 单纯的二维像素极易造成深度丢失和视差幻觉 。

当光线微变、桌面反光，或者一个全新的杯子出现时，机器人无法准确感知它距离机械爪到底是5厘米还是7厘米。

这种「视网膜」层次的先天缺陷，直接导致机器人在非结构化环境下抓取频繁踩空。

论文中的硬核技术解法：双查询蒸馏（Dual-Query Distillation）。

为了在不增加实时推理延迟的前提下，将精确的空间几何直觉注入大模型，LingBot-VLA 2.0引入了 LingBot-Depth 进行跨模态特征蒸馏，让机器人操作时更好地理解三维空间。

这一设计的核心价值在于： 在推理阶段，模型无需额外挂载沉重的深度估计网络，仅凭单目RGB输入，就能在隐空间中自主「脑补」出高保真的三维空间几何关系。

依托 60,000小时 的物理真实预训练数据，LingBot-VLA 2.0在底座上完成了真正的 跨构型迁移。 不管机器人的手臂是七轴、六轴，还是底盘是轮式、双足，同一套动作指令在经过空间感知对齐后，都可以无缝映射到完全不同的硬件构型上。

3. 引入「未来预测」任务：机器人终于有了第六感

传统VLA的逻辑是 「反射弧控制」 。

模型看到当前一帧画面，立刻输出当前毫秒的关节力矩。这种机制缺乏对「未来物理状态」的推演能力。

LingBot-VLA 2.0引入的未来预测，核心是让模型在生成动作时，不只理解「当前看到什么」，还要预测「接下来可能会发生什么」。

基于DINOv3主干，LingBot-VLA 2.0中的Dino-Video引入了块级因果时间注意力和3D旋转位置编码（3D-RoPE），在500万段包含视频、第一视角和机器人的视频剪辑上训练出原生视频表示模型DINO-Video。

在LARYBench上，DINO-Video在四个基准测试中的三个上取得了最佳性能，这证明了其作为机器人 原生时序教师模型的有效性 。

这意味着，LingBot-VLA 2.0在生成动作前，必须先在脑海中 精确预测接下来物体的运动、手部交互的力学后果、以及场景的语义演变。

少一点玄学，多一点工程

LingBot-VLA 2.0的底气，还来自数据处理管线的升级和海量高质量预训练数据。

他们从约10万小时原始数据中清洗出 5万小时高质量真机数据 ，覆盖 20种不同机器人构型和丰富任务分布。

• 单臂：Franka、Flexiv；
• 双臂：AgileX、ARX Lift2、UR7e、Moz1；
• 半人形：AgiBot G1、Galaxea R1Pro/R1Lite、Astribot S1、Zerith H1等）；
• 人形：Unitree G1、Fourier GR-2、AgiBot A2、Leju KUAVO等）。

同时加入 10,000小时高质量Ego数据 ，让模型学到更自然的交互模式和手部运动先验。

这不是简单「堆数据」。新管线做了三道硬核过滤：

1. 平滑度与静止检测：计算动作/状态的三阶差分（jerk）和速度/加速度Z-score，剔除抖动严重或长时间静止的片段。
2. 视频-状态一致性校验：用URDF把机器人投影到图像平面，人工+自动检查对齐，过滤模糊、严重遮挡、掉帧、多视角不一致样本。
3. Ego数据重建：VLM先粗筛，再用SLAM估计相机轨迹 + MANO手姿态估计，把手部运动提升到世界坐标系统一存储。训练时再根据当前帧相机外参转回相机坐标系，实现跨数据源统一表示。

结果就是： 同一套模型能力能跨20种本体迁移 ，大幅降低不同平台重复适配的成本。以前换一台新机器人像「重开一门课」，现在更像「换个外壳继续用」。

这些设计让 后训练成本显著下降 ——在v1已实现1.5–2.8倍吞吐提升（单GPU261samples/s）的基础上，v2通过更高质量数据+更合理架构，进一步降低了达到目标性能所需的样本量和计算量。LingBot-VLA 2.0同步开源更高效后训练版本，推理耗时在RTX 4090上控制在130毫秒以内。

产业客户真正算得清这笔账：不是模型参数越大越好，而是「用更少的钱、更短的时间、适配更多的机器人」。

真正的行业痛点：让机器人能力可复用

把LingBot-VLA 2.0放到产业背景下看，它最重要的价值不是「又一个VLA模型」，而是试图回答一个行业共性问题：

具身智能为什么迟迟不能像大语言模型那样规模化？

答案很简单，也很扎心：语言模型面对的是统一接口，文本进去，文本出来；机器人面对的是碎裂世界，硬件不同、动作不同、传感器不同、任务不同、环境不同。

所以具身智能的规模化，不可能只靠单点能力。它需要三个东西同时成立。

第一，模型能跨本体复用。否则每接一个客户，都像重新开荒。

第二，动作空间能统一表达。否则模型学到的是「某一台机器的肌肉记忆」，不是通用操作能力。

第三，模型要能预判动作之后的世界变化。否则它只能基于当前画面被动反应，一旦进入遮挡、移动物体和长序列任务，就很容易在执行中跑偏。

LingBot-VLA 2.0，恰好对应这三个痛点。

它的路线不是炫技，而是降本。不是让机器人在论文视频里更像魔术师，而是让它在客户现场少一点「重新来过」。

这也是「卷落地」的真正含义。

跑分当然重要，没有指标就没有比较。但如果一个模型只能在精心布置的实验室里赢，它赢的是榜单，不是商业世界。

真正的具身智能要进入工厂、医院、养老、家庭、物流，它必须回答老板最关心的三个问题：换机器人要不要重训？换场景要不要重采？长任务失败率能不能降？

据了解，蚂蚁灵波携手乐聚等生态本体伙伴，以及国大药房等生态客户伙伴，在零售分拣、物流分拣、工业等落地场景开启全面商业落地测试。

另一方面，蚂蚁灵波联合简智科技等数据联盟生态伙伴，共建标准化数据体系。一个以跨构型VLA基座模型为核心，本体厂商与数据机构深度参与的具身智能生态正在成形。

LingBot-VLA 2.0给出的答案，还不是终局，但方向非常清楚：让机器人大脑从「项目制手工定制」走向「平台化复用」。

相关文章