AIPress.com.cn报道
1 月 30 日，蚂蚁灵波科技宣布开源具身世界模型 LingBot-VA。该模型在此前连续发布空间感知模型、具身大模型与世界模型的基础上，进一步探索世界模型在真实机器人控制中的应用路径。
LingBot-VA 首次提出自回归的视频-动作世界建模框架，将大规模视频生成模型与机器人动作控制深度融合。模型在生成“下一步世界状态”的同时，同步推演并输出对应的动作序列，使机器人能够在持续感知环境变化的过程中完成动作决策与执行。
在真实机器人评测中，LingBot-VA 展现出对复杂物理交互任务的适应能力。在长时序任务、高精度操作以及柔性与关节物体操控三大类共六项高难度场景中，模型仅依赖 30 至 50 条真机演示数据即可完成适配，任务成功率较业界强基线 Pi0.5 平均提升约 20%。
在仿真环境中，LingBot-VA 在多项具身智能基准测试中刷新现有成绩。在高难度双臂协同操作基准 RoboTwin 2.0 上，模型成功率首次超过 90%；在长时序终身学习基准 LIBERO 上，平均成功率达到 98.5%。
据介绍，LingBot-VA 采用 Mixture-of-Transformers（MoT）架构，实现视频感知与动作控制的跨模态融合。通过闭环推演机制，模型在每一步生成过程中引入真实世界的实时反馈，以减少长期推演中画面与动作偏离物理现实的风险。
针对大规模视频世界模型在机器人端侧部署的计算挑战，LingBot-VA 设计了异步推理管线，使动作预测与电机执行并行运行，并结合记忆缓存与噪声历史增强策略，在减少生成步数的同时保持动作输出的稳定性与精度，从而兼顾模型能力与低延迟控制需求。
蚂蚁灵波表示，LingBot-VA 与此前开源的 LingBot-World、LingBot-VLA 和 LingBot-Depth 共同构成具身智能技术体系，探索“世界模型赋能具身操作”的技术路线。相关模型权重与推理代码目前已全面开源。
