从VLA到世界模型，具身智能加速“范式转移”

随着具身智能的向前发展，传统的 VLA 技术路线正在面临越来越多的挑战。所谓 VLA 模型，即视觉 - 语言 - 动作模型。它的技术逻辑可以简单描述为，将人类指令和外界多模态信息（声音、图像、视频）转化为计算机语言，继而控制机器人行为。但在 VLA 模型的训练中，互联网上的静态、非结构化文本和图像数据，并不是训练所需的核心数据。物理世界数据的稀缺与复杂性，成为了制约 VLA 模型能力跃升的主要瓶颈。VLA 之后，具身智能接下来将往何处去？这成为了具身智能整个行业，都在试图解决的问题。近日，蚂蚁灵波对外开源了 LingBot-Depth、LingBot-VLA 、LingBot-World 以及 LingBot-VA 系列模型。其中 LingBot-VA 所代表的 " 边预测、边行动 " 的具身世界模型范式，正与行业近期的探索形成呼应。而四个模型的开源，则将这套能力拆成可复用的模块与接口，为开发者提供从研究验证到工程试验的基础设施，从而降低具身智能研发与集成门槛。LingBot-VA 开源，首创 " 自回归视频 - 动作范式 "蚂蚁灵波开源周中， 具身世界模型 LingBot-VA 成为了收官之作，其核心突破在于它改变了机器人的思考方式。传统机器人主要基于 " 视觉 - 语言 - 动作 " 范式，其决策模式类似于 " 条件反射 "：看到什么，就做什么。这种方式难以应对需要多步骤规划和因果推理的复杂任务。LingBot-VA 则让机器人具备 " 脑补 " 能力。在物理执行动作之前，它会在内部模拟并推演未来几秒的世界状态变化，再根据这个推演结果来决定当前的最佳动作。这使得机器人能够像人一样 " 先思后行 "，显著提升了在复杂、长时序任务中的可靠性和智能水平。实现这一切的基础在于，LingBot-VA 在核心范式上的创新。LingBot-VA 首创了 " 自回归视频 - 动作范式 "：将大规模视频生成模型与机器人控制深度融合，模型在生成 " 下一步世界状态 " 的同时，直接推演并输出对应的动作序列。具体而言，Mixture-of-Transformers ( MoT ) 架构让视频流（宽而深，负责视觉推演）与动作流（轻而快，负责运动控制）共享注意力机制又保持独立；闭环推演机制：每一步生成都纳入真实世界的实时反馈（如摄像头数据），形成 " 预测 - 执行 - 感知 - 修正 " 的循环，防止幻觉漂移。最后，异步推理管线让动作预测与电机执行并行处理，大幅降低延迟。得益于 LingBot-VA 的技术创新，机器人在制作早餐、插入试管、叠衣物等长时序、高精度、柔性物体操控任务中，成功率相较业界基线模型平均提升约 20%；在双臂协同操作基准 RoboTwin 2.0 上成功率首次超过 90%，在长时序终身学习基准 LIBERO 上达到 98.5% 的平均成功。LingBot 系列开源，构建具身智能的通用基础设施除了 LingBot-VA 之外，蚂蚁灵波还连续开源了 LingBot-Depth（空间感知）、LingBot-VLA 以及 LingBot-World。这四者共同构成了一套覆盖 " 感知 - 理解 - 模拟 - 行动 " 的完整具身智能技术栈。LingBot-Depth ​相当于机器人的 " 眼睛 "，通过高精度空间感知模型，解决透明、反光物体识别难题，透明物体抓取成功率从 0 提升至 50%。LingBot-VLA ​，类似于机器人的 " 大脑 "，让机器人理解指令并规划基础动作。基于 2 万小时真实机器人数据训练，LingBot-VLA 在 GM-100 基准测试中，成功率超越基线模型 Pi0.5。可以看到，与业内主流的 " 仿真到现实 "（Sim-to-Real）路径不同，蚂蚁灵波更笃信基于真实世界数据训练的价值。LingBot-VLA 覆盖了 9 种主流双臂机器人构型（包括 AgileX，Galaxea R1Pro、R1Lite 、AgiBot G1 等），实现了让同一个 " 大脑 " 可以无缝迁移至不同构型的机器人，并在任务变化、环境变化时保持可用的成功率与鲁棒性。与高精度空间感知模型 LingBot-Depth 配合，LingBot-VLA 还能获得更高质量的深度信息表征，通过 " 视力 " 的升级，真正做到 " 看得更清楚、做的更明白 "。LingBot-World，则是机器人的 " 数字演练场 "。利用多阶段训练和并行加速，LingBot-World 可以实现长达近 10 分钟的连续、稳定和无损视频生成，以解决视频生成中的常见挑战—— " 长时漂移 "，也即长时间的生成通常会出现物体变形、细节崩溃、主体消失或场景结构崩溃等现象。同时，LingBot-World 在长序列一致性、实时响应性以及对行动和环境动态之间的因果关系进行建模方面表现出色。这使得它能够在数字空间中 " 想象 " 物理世界，为人工智能代理提供一个具有成本效益、高保真环境，用于试错学习。" 机器人规模化的主要阻碍不在硬件，而在’反复训练 / 再训练（retraining）‘，也就是每做一个新任务或换一种机器人，往往就要重新采数据、重新调参，工程成本很高。这也是机器人很难从试点走向大规模部署的原因之一。"MarkTechPost CEOAsif Razzag 表示，蚂蚁灵波发布的一系列模型很有意思，从感知到认知，全栈（full-stack）体系，每个模型互为助力，并且全部开源。也正是基于这样的设计，全面开源的 LingBot 系列模型，构建了具身智能完整的通用基础设施，让开发者可以按需选用或组合。这种新的研究范式，在降低具身智能研发门槛的同时，也加速了具身智能从实验室走向产业化的进程。（文 | 科技潜线，作者 | 饶翔宇 编辑 | 钟毅）

云南省德钦县云岭乡，重庆市潼南区桂林街道 ，甘肃省武都区琵琶镇，山东省郓城县李集镇，甘肃省渭源县大安乡，河北省吴桥县于集镇，江西省临川区六水桥街道，四川省木里藏族自治县依吉乡，江西省广信区花厅镇，四川省理县蒲溪乡，甘肃省武都区琵琶镇，青海省大通回族土族自治县东峡镇，江西省广信区花厅镇，定兴县固城镇，甘肃省庆城县桐川镇，广西壮族自治区凤山县凤城镇，安徽省鸠江区白茆镇 ，广东省天河区元岗街道，陕西省白河县冷水镇，安徽省鸠江区白茆镇，四川省绵竹市富新镇，江西省弋阳县桃源街道

全球服务区域: 山东省槐荫区振兴街街道，定兴县固城镇 ，二道白河镇，山东省郓城县李集镇，山东省槐荫区振兴街街道，平湖市新埭镇，云南省德钦县云岭乡，山东省槐荫区振兴街街道，博罗县龙溪镇，甘肃省武都区琵琶镇，云南省德钦县云岭乡，安徽省鸠江区白茆镇，甘肃省金塔县金塔镇，广西壮族自治区合浦县乌家镇，山东省郓城县李集镇，尚义县南壕堑镇，博罗县龙溪镇 ，安徽省鸠江区白茆镇，召夸镇，山东省河口区新户镇，河南省林州市横水镇，贵州省余庆县花山苗族乡。

《通灵王国》是一部深受观众喜爱的奇幻冒险动画电影，自上映以来，凭借其丰富的想象力、精美的画面和扣人心弦的剧情，赢得了无数观众的喜爱。而这部电影的国语版全集更是让国内观众得以享受到这部作品的全部魅力。 《通灵王国》讲述了一个关于勇敢、友谊和梦想的故事。影片中，主人公小明意外获得了一本神秘的通灵之书，从此踏上了寻找失散的伙伴们的奇幻旅程。在这个过程中，他结识了一群志同道合的朋友，共同面对重重困难和险阻，最终实现了自己的梦想。 在国语版的全集中，观众可以感受到原汁原味的剧情和角色。配音演员们用充满感情的演绎，将角色的性格特点表现得淋漓尽致，让每一个观众都能产生共鸣。特别是影片中的关键角色——小明，他的配音演员用稚嫩而坚定的声音，将小明的勇敢和善良完美地呈现在观众面前。 《通灵王国》的动画制作水准也是其成功的重要因素之一。国语版全集在画面上进行了优化，色彩更加鲜明，细节更加丰富，让观众仿佛置身于一个充满魔法的奇幻世界。影片中的场景设计独具匠心，既有宏伟的城市建筑，又有神秘的自然风光，为观众带来了一场视觉盛宴。 在影片的配乐方面，国语版全集同样不容小觑。主题曲《梦想起航》旋律优美，充满力量，激发了观众对梦想的追求。而电影中的背景音乐更是恰到好处地衬托了影片的气氛，让观众在观影过程中沉浸其中。 除了剧情和制作，国语版全集还特别注重角色的塑造。影片中的每一个角色都有着自己的背景故事和成长轨迹，观众可以跟随他们的成长历程，感受到友情、亲情和爱情的力量。尤其是在关键时刻，角色之间的互动和情感表达，让观众为之动容。 值得一提的是，《通灵王国》国语版全集在播出期间，还举办了一系列线上线下活动，吸引了大量观众的关注。观众们不仅可以观看电影，还可以参与到互动游戏中，体验影片中的奇幻世界，与角色们一同冒险。 总之，《通灵王国》国语版全集是一部值得一看再看的佳作。它不仅带给了观众视觉和听觉的享受，更传递了勇敢、友谊和梦想的正能量。在这个充满奇幻色彩的王国里，观众们可以尽情释放自己的想象力，跟随主人公们一起踏上冒险之旅。而这部作品也必将成为一代人的童年回忆。