1月30日，继空间感知模型、具身大模型和世界模型“连续三次发布”后，蚁人灵波科技今日宣布实体化世界模型LingBot-VA开源发布。LingBot-VA引入了一种新颖的自回归视频-动作世界建模框架，深度整合了大规模视频生成模型与机器人控制。该模型在直接模拟和输出相应动作序列的同时生成下一个世界状态，使机器人能够像人类一样“模拟并行动”。
在真实机器人评估中，LingBot-VA展现出对复杂物理交互的强烈适应能力。面对三类六项挑战性任务——长期任务（做早餐、捡螺丝）、高精度任务（插入试管、开箱）以及作柔性和关节物体（折叠衣物、折叠裤子）——只需30~50个真实机器人演示数据样本即可适应，任务成功率平均比行业强基线Pi0.5高出20%。
（图注：在实机评估中，LingBot-VA在多项复杂作任务中优于行业基准Pi0.5）
在模拟评估中，LingBot-VA首次在高难度双臂协作作基准RoboTwin 2.0上达到了90%以上的成功率，在长期终身学习基准LERO上实现了98.5%的平均成功率，两者均创下了行业新纪录。
（图注：LingBot-VA在LIBERO和RoboTwin 2.0模拟基准测试中突破当前SOTA）
据报道，LingBot-VA采用了变换金刚混合（MoT）架构，实现了视频处理与动作控制的跨模态融合。通过独特的闭环仿真机制，模型在生成的每个阶段都融入了现实世界的实时反馈，确保生成的图像和动作与物理现实保持一致，从而使机器人能够完成复杂且困难的任务。
为克服机器人边缘设备上大规模视频世界模型的计算瓶颈，LingBot-VA设计了异步推理流水线，使动作预测和运动执行并行化;同时，它引入了基于内存缓存和噪声历史增强策略的持久机制，使得推理过程中输出动作指令稳定且精确，生成步骤更少。这些优化使LingBot-VA既能深入了解大型模型，又具备真实机器人控制所需的低延迟响应速度。
蚁灵波表示，继此前的LingBot-World（模拟环境）、LingBot-VLA（智能基地）和LingBot-Depth（空间感知）等开源发布后，LingBot-VA开辟了“世界模型赋能具身作”的新路径。蚁集团将继续依靠InclusionAI社区推动开源与行业合作，构建具身智能的基础能力，加速构建深度与开源集成、服务于真实工业场景的AGI生态系统。
目前，LingBot-VA的模型权重和推理代码已完全开源。
