

> 蚂蚁集团发布并开源了视觉-语言-动作模型 LingBot-VLA，凭借创新的混合架构与卓越的空间感知能力，该模型大幅降低了机器人开发门槛，推动具身智能向通用化迈进。

## 混合架构引领通用操控

蚂蚁集团近日推出的 LingBot-VLA，是一款专注于现实世界机器人复杂操控的基础模型。为了构建这一系统，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，并利用 Qwen3-VL 生成高质量的语言指令，打造了扎实的预训练数据集。

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。模型内置的“动作专家”分支，利用条件流匹配技术，能实时结合机器人状态输出平滑且连续的控制轨迹，确保了双臂协作的精准度。

![Google_AI_Studio_2026-01-30T03_20_35.057Z.png](https://static.downly.cn/images/b692f0330046574d496523c64aa4186e.png) <center>图源备注：图片由AI生成</center>

## 空间感知与数据效率的双重突破

针对传统模型在空间深度感知上的短板，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，LingBot-VLA 的成功率达到 17.30%，显著优于 π0.5 和 GR00T N1.6 等同类模型。更重要的是，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。

## 开源生态赋能产业

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。

这一开源举措将极大降低机器人大模型的开发门槛，让更多开发者能够参与到具身智能的创新中来，加速技术向实际应用场景的渗透。

搜索结果: LingBot-VLA