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）
甘肃省武都区琵琶镇，二道白河镇 ，贵州省余庆县花山苗族乡，陕西省白河县冷水镇，虎丘区，河北省枣强县嘉会镇，安徽省肥东县梁园镇，甘肃省武都区琵琶镇，虎丘区，安徽省鸠江区白茆镇，黑龙江省友好区双子河街道，山东省河口区新户镇，甘肃省金塔县金塔镇，河北省枣强县嘉会镇，贵州省余庆县花山苗族乡，二道白河镇，河北省吴桥县于集镇 ，平湖市新埭镇，四川省绵竹市富新镇，定兴县固城镇，陕西省白河县冷水镇，江西省于都县梓山镇
全球服务区域: 浙江省青田县万阜乡，广西壮族自治区钟山县钟山镇 ，重庆市潼南区桂林街道，二道白河镇，重庆市潼南区桂林街道，河北省吴桥县于集镇，江西省临川区六水桥街道，广西壮族自治区凤山县凤城镇，江西省寻乌县菖蒲乡，广西壮族自治区凤山县凤城镇，甘肃省武都区琵琶镇，四川省理县蒲溪乡，河南省林州市横水镇，河北省吴桥县于集镇，湖南省沅江市胭脂湖街道，黑龙江省明水县双兴镇，安徽省鸠江区白茆镇 ，召夸镇，浙江省青田县万阜乡，贵州省余庆县花山苗族乡，广东省天河区元岗街道，江西省弋阳县桃源街道。
在繁忙的都市生活中，我们时常会被各种琐事所困扰，而一部好的电影，却能让我们暂时忘却烦恼，沉浸在一个全新的故事世界中。《屠夫小姐》就是这样一部影片，它以独特的视角，讲述了一个关于勇气与爱的故事，让人在观看的过程中，感受到了人性的光辉。 《屠夫小姐》讲述了一个名叫林小花的女子，她原本是一个普通的屠夫，却因为一场意外，意外地卷入了一场关乎生死的大事件。在这场事件中，林小花不仅展现出了自己的勇气，更是在关键时刻，用爱心挽救了无数人的生命。影片通过林小花的成长历程，让观众看到了一个平凡人如何成就不平凡的事迹。 影片中，导演巧妙地运用了多种影视手法，将故事情节渲染得淋漓尽致。首先，在人物塑造上，林小花这个角色立体而丰满。她既有屠夫的坚韧不拔，又有女性的柔情似水。这种独特的性格特点，使得林小花在观众心中留下了深刻的印象。同时，影片中的其他角色也各具特色，如林小花的丈夫、儿子以及她的朋友们，他们都为影片增色不少。 其次，在场景布置上，《屠夫小姐》同样下足了功夫。影片中的场景真实而富有生活气息，从繁华的都市到宁静的乡村，每一个场景都让人仿佛置身其中。特别是影片中关于屠夫工作的场景，更是让观众感受到了这个职业的艰辛与无奈。 在影片的叙事手法上，《屠夫小姐》采用了非线性叙事的方式，将故事情节巧妙地交织在一起。这种叙事手法不仅增加了影片的观赏性，还使得观众在观看过程中，能够更好地理解角色的内心世界。 值得一提的是，《屠夫小姐》在音乐运用上也颇具特色。影片中的配乐既有古典的优雅，又有现代的动感，与影片的节奏完美地融合在一起。在关键时刻，音乐更是起到了画龙点睛的作用，让观众的情绪随着音乐起伏。 对于观众来说，《屠夫小姐》不仅仅是一部电影，更是一场关于勇气与爱的视觉盛宴。影片中，林小花在面对生死抉择时，所表现出的坚定与勇敢，让我们看到了人性的光辉。而她与家人、朋友之间的感情，也让我们感受到了爱的力量。 总之，《屠夫小姐》是一部值得一看再看的佳作。它让我们明白，在平凡的生活中，我们也可以成就不平凡的事迹。只要我们拥有勇气和爱心，就能在人生的道路上，绽放出属于自己的光芒。现在，就让我们在线观看《屠夫小姐》，一同感受这场视觉盛宴吧！