60000小时炼出新开源VLA！20多种机器人都能用

2026-07-18 03:45:10 [综合] 来源：德瑞斯资讯网

金磊发自凹非寺 | 量子位公众号 QbitAI

历经 60,小时新开000小时的预训练数据“喂养”，一个全新的炼出 VLA（视觉-语言-动作）模型应运而生，且直接开源。多种

这就是机器蚂蚁灵波（Robbyant）最新发布的 LingBot-VLA 2.0—— 一款专为复杂物理世界任务设计的通用VLA模型。

数据规模三倍跃升：从2万到6万小时

这60,人都000小时真实物理数据并非凭空而来，其构成极具含金量：
* 50,小时新开000小时：来自真实机器人轨迹数据，覆盖 20种不同的炼出机器人构型。
* 10,多种000小时：来自第一视角的人类操作视频。

相较于半年前（1月）发布的机器 LingBot-VLA 1.0，其数据规模实现了 3倍增长（从20,人都000小时激增至60,000小时）。

效果实测：长序列操作一气呵成

数据规模的小时新开扩大带来了显著的性能提升。

视频演示：点击观看

在视频中，炼出机器人展示了高难度的多种长序列任务：
1. 从操作台拿起饮料和水果放入篮子；
2. 拎起篮子移动至冰箱前；
3. 精准打开冰箱门，将物品逐一放入；
4. 最后关闭冰箱门。机器

整套动作流畅丝滑，人都展现了极强的连续决策能力。

核心亮点：不止于数据量

深入技术报告，LingBot-VLA 2.0 的核心优势远不止数据规模：
* 广泛适配：支持 20多种机器人构型。
* 动作空间扩展：从单纯的双臂控制，扩展至头部、腰部、移动底盘及灵巧手等更完整的自由度。
* 空间理解增强：深度融合 LingBot-Depth，提升机器人对三维空间的感知能力。
* 高效推理：在英伟达 RTX 4090 上，推理延迟低于 130ms。

社区对此反响热烈，普遍认为开源具身模型正在加速机器人技术从实验室走向现实世界。

真实场景挑战：家务活儿更利索

在真实物理环境中，LingBot-VLA 2.0 的表现如何？我们选取了两个典型家务场景进行测试。

1. 清理灶台：复杂环境下的精细交互

相比冰箱收纳，清理灶台更接近真实厨房的混乱场景。

视频演示：点击观看

面对炉灶、锅架、海绵等杂乱物品，机器人需：
1. 移开障碍物并妥善放置；
2. 精准抓取海绵擦拭灶台；
3. 将物品归位。

这一过程证明了模型在真实环境连续决策和精细交互方面的鲁棒性。

2. 调料收纳：考验双臂协同与空间感知

此类任务要求机器人具备极强的空间关系处理能力，需明确物体位置、间距及桌面结构。

视频演示：点击观看

通过融合 LingBot-Depth 2.0的深度热力图、物体边界Token掩码及余弦相似度热图，模型能精准把握自身与空间的关系。

视频演示：点击观看

核心目标：LingBot-VLA 2.0 旨在构建一套 通用的具身操作基座，而非为单一机器人训练专用模型，实现“一套大脑，适配不同身体、场景与任务”。

（完整能力视频：点击观看）

技术解析：如何做到“预测未来”？

1. 数据管线：清洗与提炼

LingBot-VLA 2.0 从9万小时原始数据中，清洗出5万小时高质量真机数据，并从2万小时人类操作视频中提炼出1万小时有效数据。这些数据覆盖了 Leju、Franka、AgileX、ARX Lift2、Galaxea R1Pro、Astribot S1、Unitree G1、Fourier GR-2、AgiBot A2 等 20种机器人本体。

VLA模型不仅理解“把水果放进冰箱”的语义，更需掌握机械臂接近路径、夹爪闭合时机、底盘移动策略及空间关系变化。数据越丰富，模型学到的通用操作规律越深刻。

2. 打通动作空间

为解决不同机器人（双臂、人形、移动机械臂）在关节、夹爪、底盘上的差异，LingBot-VLA 2.0 将动作空间从双臂扩展至 头部、腰部、移动底盘、灵巧手等全自由度，旨在提升开放场景下多自由度协同任务的表现。

3. 引入“未来预测”机制

传统VLA多为反馈式执行（看当前帧->生成动作->修正），在长序列任务中易出错。LingBot-VLA 2.0 引入了 未来深度预测和 语义特征预测：
* 为视觉和文本Token额外挂载两组可学习的Query Token（当前时刻 vs 未来时刻）。
* 利用自研视频表征模型 DINO-Video和深度模型 LingBot-Depth进行蒸馏监督。

这使得模型不仅能理解当前场景，还能预判物体位置、空间关系及任务状态的演变。