蚂蚁集团式发布了名为 LingBot-VLA 的视觉语言-行动（VLA）基础模型。该模型专注于现实世界中的复杂作，并通过大规模数据训练实现了对不同类型机器人的通用作能力，标志着具身智能领域的又一重要进展。
为了构建这一强大模型，研究团队收集了约2万小时的真实远程作数据，涵盖包括AgiBot G1和AgileX在内的九款主流双臂机器人。这些数据涵盖丰富的动作序列，Qwen3-VL自动生成详细的语言指令，形成高质量的预训练数据集。
LingBot-VLA采用了创新的“混合变换器”架构。它使用 Qwen2.5-VL 作为多模态骨干，能够同时处理多视图图像和自然语言指令。同时，内置的“动作专家”分支实时结合机器人自身状态，并通过条件流量匹配技术输出平稳连续的控制轨迹，确保双臂协作的准确性。
此外，为弥补传统模型在空间深度感知方面的不足，蚂蚁集团推出了LingBot深度空间感知模型。通过特征提取技术，即使传感器数据缺失，LingBot-VLA仍展现出卓越的三维空间推理能力，在堆叠、插入和折叠等精细任务中表现尤佳。
在包含100个挑战性任务的GM-100真实基准测试中，具备深度感知功能的LingBot-VLA版本成功率为17.30%，显著优于π0.5和GR00T N1.6等其他类似模型。研究还发现，该模型数据效率极高，只需约80个演示数据即可快速适应新机器人任务。
目前，蚂蚁集团已正式开源LingBot-VLA的完整训练工具包和模型权重。该工具包针对大规模GPU集群进行了优化，训练吞吐量是现有主流框架的1.5到2.8倍。此举将大幅降低机器人大型模型的发展门槛，推动具身智能技术在更实用应用场景中的渗透。
