全球首个！「具身原生」世界动作模型来了

新智元报道

【新智元导读】蚂蚁灵波刚刚甩出全球首个「具身原生」大模型LingBot-VA 2.0，要给机器人换上一颗真正懂物理的大脑。

50分26秒。

今年，北京亦庄的半马赛道上，一台人形机器人冲线夺冠——比人类世界纪录，还快了近7分钟。

机器人的「身体」，第一次跑赢了全人类。

但画风，说变就变。

成都商场，表演中的机器人与围观老人相撞，老人倒地送医；疯传的视频里，一台机器人在餐厅失控狂舞，另一台一脚踢中小孩。

跑赢世界冠军的腿，配了一颗不知道「下一秒会撞到谁」的脑子。

机器人的脑子，什么时候能跟上它的腿？

7月10日，蚂蚁集团旗下具身智能公司蚂蚁灵波，把这块最难的拼图拍上了桌：LingBot-VA 2.0——行业第一个具身原生预训练模型。

所谓「具身原生」，一句话说清楚：不是拿现成的数字世界模型做嫁接，而是从数据、训练目标到模型架构，每一层都为「机器人在物理世界干活」而生——

从零开始，造一颗原生的机器人大脑。

这颗大脑有多能打呢？

你敢信？它现在夹薯片都不会碎。

一片薄薄的薯片，力大了捏碎，力小了夹不起来。它稳稳捏起，完好无损。（从技术报告中看出，这是一个没有触觉的模型，更加展现了其控制能力）

能帮你收拾桌面了。

什么在哪、先动哪个、放到哪去——它得记住整张桌子的状态，一步步码放整齐，而不是抓两下就乱了套。

陪你打个小球对战，反应速度也丝毫不差。

球在台面上飞来撞去，轨迹瞬息万变，它得预判落点、即时挥杆、接住反击——这是在跟你实时过招了。

LingBot-VA 2.0刚一发布，便在x上引发热议。

大V Shabnam Parveen 表示，这是「迈向真正具身化AI的重要一步。」

网友也对其「具身原生」这点评价很高。

想的更明白，才能干的更利索

为什么非要从头练？

因为过去的主流路线学的是「下一帧预测」——画面通常会怎么变。这是相关性，拿来生成视频够用了。

但机器人要回答的是一个更硬的问题：

如果我这样做，世界会怎样？

打个比方：你在Sora里生成一段「推杯子」的视频，杯子可能很流畅地滑过去，但也可能穿过桌面或凭空消失。

可如果机器人拿这种「世界观」去指导行动，它会真的以为手可以穿过物体，杯子可以无缘无故复原。

所以，LingBot-VA 2.0走的是因果建模：推一下物体，它会按惯性运动；抓取动作和物体状态的变化严格对应。

模型学的不是「画面会怎么变」，而是「我的动作会让世界怎么变」。

这是机器人从被动反应走向自主决策的根基。

具体怎么练的？技术报告里藏着一个关键设计。

机器人有个老大难：「看到的画面」和「要做的动作」，天生是两套系统、说两种语言，中间隔着一道翻译鸿沟——看懂了，未必做得对。

LingBot-VA 2.0给模型配了个「同声传译」（语义视觉-动作分词器），把画面和动作统统翻译成同一种语言：世界长什么样、手该怎么动，用同一套「词」来表达。

妙处在这儿：一旦画面和动作说的是同一种语言，随便一段网上的视频——哪怕没有任何标注、画面里连机器人的影子都没有——模型也能从里面「读」出跟动作有关的门道。

换句话说，以前机器人只能从昂贵的真机采集数据里学会控制；现在它可以把整个互联网的视频当预习材料，先在脑子里建好「物理直觉」，再用少量真机数据「对齐」。

边推演，边行动

光懂因果还不够，还得快。

传统机器人是「看一眼、做一次、再修正」，像新手司机只盯着眼前路况被动反应，一进动态场景就滞后。

LingBot-VA 2.0的Foresight Reasoning让它像老司机：边执行边思考，持续预判后面几秒的变化，提前调整动作。

技术报告给了一个很精妙的设计。还是拿开车打比方：手上还在过这个弯，眼睛已经瞄向下一个路口，脑子里提前把「待会儿会碰上什么」过了一遍电影。

等车真开到路口，实际路况跟预想的不一样？不慌——立刻按眼前看到的重新调。想象归想象，现实说了算：一边猜、一边对答案，永远踩在现实的节拍上。

再加一手异步推理：看、想、动这三件事，不再排成一队互相干等——眼睛看眼睛的，脑子想脑子的，手动手的。

机器人再也不会因为「还在想」，就错过传送带上稍纵即逝的抓取时机。

想完才动，和边想边动，是两个物种。

四根柱子撑起「具身原生」

架构上，LingBot-VA 2.0的技术底座由四根柱子撑起来。

第一根，全自主从头预训练。不是拿别人家的视频生成模型或LLM微调，而是基于自回归视频模型从零开始训练。

这避免了把双向注意力架构强行改成因果架构时的「灾难性遗忘」——你辛辛苦苦从海量数据里学到的世界知识，一改架构就全丢了。

第二根，MoE稀疏架构。它沿用LingBot-Video验证过的MoE体系，视频骨干总参数约130亿，但推理时每个token只激活约19亿参数。按需激活专家模块，把高频推理的成本打下来。

报告中的加速数据更直观：经过一致性蒸馏、低精度编译、长序列注意力优化和运行时开销压缩四重加速，单chunk推理从927毫秒降到142毫秒，异步控制频率从35Hz飙升到225Hz。

第三根，新一代语义VAE。传统VAE只管「画面压缩还原」，不管语义和动作。

LingBot-VA 2.0的分词器在压缩的同时，还把视觉潜表示对齐到预训练视觉基础模型的语义空间——模型不光看见杯子，还「理解」杯子。

这补上了「听懂了指令、动作却对不上」的老短板，让「把杯子放到架子上」真正变成一串做得完的动作。

第四根，异步Foresight推理。前面讲过——边想边做，每一步用真实观测重新锚定，把预测延迟彻底藏到动作执行背后。

这四根柱子不是「拼凑」，而是一套完整的工程哲学的直接体现。

执行效率拉满，单卡就能跑

zero-shot还很渺茫，但，few-shot已经「模糊的看见」，这也是模型能力的最佳佐证。

这背后的逻辑很简单也很硬：因为它学到的是可迁移的世界规律，不是对某个场景的死记硬背。

面对新场景只需极少量数据「对齐」，而不必重新学习。

再看速度。机器人干活，慢一拍，零件就从爪子底下溜走了。

LingBot-VA 2.0把推理效率堆到了极限——单chunk推理从927毫秒降到142毫秒，异步控制频率从35Hz飙升到225Hz。

单次推理效率整整翻了6倍多，单卡就能跑。

这个刷新率，就是它敢在传送带上连续抓取的底气。

在RoboTwin 2.0仿真基准上，LingBot-VA 2.0的平均成功率达到93.6%，优于π0.5的79.8%，也超过了前代LingBot-VA的92.2%。

更值得注意的是，干净环境和随机化环境的表现差距仅为0.4个百分点——模型扛得住光照变化、杂物干扰、高度扰动这些「真实世界的噪音」。

VLA和VA，1+1>2

要说清楚的是，VA不是来取代VLA的，两者1+1>2。

VLA站在多模态大模型的肩膀上，成熟、可用，是离产业落地最近的路线——今天全球真正「进厂干活」的机器人，大多跑在VLA上。

LingBot-VLA 2.0已经用同一套权重「驯服」了20种以上机器人构型，横跨17个主流品牌，6万小时预训练数据量，RTX 4090上推理只要130毫秒。

蚂蚁灵波的打法是：投产一代，预研一代。

VLA在一线沉淀的数据和场景反馈，持续反哺VA迭代。

放大看，本次一口气发布的是六大模型，构成「全栈大脑2.0」：

• 看得更清楚：从传感器出发的原生空间智能，LingBot-Vision和LingBot-Depth 2.0是代表
• 想得更明白：从模型设计和训练范式出发的原生架构， 代表工作是 LingBot-Video（MoE解决模型规模大和推理效率快之间的平衡）、LingBot-World 2.0（Causal Pretrain保证因果性）和今年 1 月开源的LingBot-VA 1.0（率先提出了视频-动作模型范式）
• 干得更利索：从在物理世界中执行任务角度出发的原生数据，代表工作LingBot-VLA 2.0 产业落地反相驱动更多构型和更多自由度：数字世界模型的成功是因为有互联网数据的积累，物理世界的数据还需要行业共建

看过往，本次发布的是LingBot 2.0，看未来，本次发布的才是真正意义上的LingBot 1.0。

大脑的竞争，才刚开始

这条路线，行业已经在用脚投票。

LingBot-VLA 2.0 已经跟乐聚、星尘、松灵、智元、星海图、宇树等17家厂商的 20 种构型完成适配验证，物流分拣、零售分拣、工业上下料等真实场景已经稳步落地试点。

相比商业化，更重要的价值是稳步开启了真正意义上的数据飞轮。

回头看，LLM的崛起早期，一种选择是躺平微调，一种选择是直面预训练探索上限，真正的赢家是后者。

具身原生预训练的意义就在这里：机器人大脑，第一次有了属于自己的「基模」。

本体的喧嚣正在退潮，大脑的竞争刚刚开局。