蚂蚁集团近日正式发布了名为 LingBot-VLA 的视觉-语言-动作（VLA）基础模型。 该模型专注于现实世界中的机器人复杂操控，通过海量数据训练，实现了在不同形态机器人上的通用操控能力，标志着具身智能领域取得又一重要进展。
为了构建这一强大的模型，研发团队在 AgiBot G1、AgileX 等9种主流双臂机器人上采集了约2万小时的真实遥操作数据。 这些数据涵盖了丰富的动作序列，并由 Qwen3-VL 自动生成详细的语言指令，形成了一套高质量的预训练数据集。
LingBot-VLA 采用了创新的“混合 Transformer”架构。 它以 Qwen2.5-VL 作为多模态主干，能够同时处理多视角图像和自然语言指令。 与此同时，模型内置的“动作专家”分支会实时结合机器人的自身状态，通过条件流匹配技术，输出平滑且连续的控制轨迹，确保了双臂协作的精准度。
此外，针对传统模型在空间深度感知上的弱点，蚂蚁集团引入了 LingBot-Depth 空间感知模型。 通过特征蒸馏技术，LingBot-VLA 即使在传感器数据缺失的情况下，也能展现出卓越的3D 空间推理能力，在叠放、插入、折叠等精细化任务中表现尤为出色。
在包含100项挑战任务的 GM-100现实世界基准测试中，带深度感知版本的 LingBot-VLA 成功率达到17.30%，显著优于 π0.5和 GR00T N1.6等同类模型。 研究还发现，该模型具有极高的数据效率，仅需约80条特定任务的演示数据，即可快速适配新机器人。
目前，蚂蚁集团已将 LingBot-VLA 的全套训练工具包和模型权重正式开源。 该工具包针对大规模 GPU 集群进行了优化，训练吞吐量比现有主流框架提升了1.5至2.8倍。 这一举措将极大降低机器人大模型的开发门槛，推动具身智能技术向更多实际应用场景渗透。
论文：https://arxiv.org/pdf/2601.18692
