蚂蚁灵波科技近日宣布开源其最新研发的具身世界模型LingBot-VA，标志着该公司在机器人控制领域的技术探索迈入新阶段。这一模型基于此前发布的系列技术成果，包括空间感知模型、具身大模型和世界模型，进一步深化了世界模型在真实机器人场景中的应用实践。
LingBot-VA的核心创新在于提出了自回归的视频-动作世界建模框架。该框架通过将大规模视频生成能力与机器人动作控制系统深度结合，使模型在预测环境下一状态的同时，能够同步生成对应的动作序列。这种设计让机器人能够在动态感知环境变化的过程中，实时完成动作决策与执行，显著提升了复杂场景下的适应能力。
在真实机器人测试中，该模型展现出强大的任务处理能力。面对长时序操作、高精度控制以及柔性物体交互等六大类高难度任务，LingBot-VA仅需30至50条真实机器人演示数据即可完成模型适配。实验数据显示，其任务成功率较当前业界领先基准模型Pi0.5平均提升约20%，特别是在需要持续环境交互的场景中表现尤为突出。
仿真环境测试进一步验证了模型的先进性。在双臂协同操作基准测试RoboTwin 2.0中，LingBot-VA以超过90%的成功率刷新纪录；在长时序终身学习基准LIBERO测试中，平均成功率达到98.5%。这些数据表明，该模型在处理复杂时序逻辑和持续学习任务方面具有显著优势。
技术架构方面，LingBot-VA采用创新的Mixture-of-Transformers（MoT）设计，实现了视频感知与动作控制的跨模态深度融合。通过引入闭环推演机制，模型在每步生成过程中都会整合真实世界的实时反馈，有效避免了长期预测中可能出现的画面与动作偏离物理规律的问题。这种设计使机器人操作更符合真实环境约束。
针对机器人端侧部署的计算瓶颈，研发团队设计了异步推理管线。该方案通过并行处理动作预测与电机执行，结合记忆缓存技术和噪声历史增强策略，在减少生成步数的同时确保动作输出的稳定性。这种优化使模型既能保持高性能，又能满足低延迟控制需求，为实际工业应用奠定了基础。
此次开源的LingBot-VA与先前发布的LingBot-World、LingBot-VLA和LingBot-Depth共同构成完整的具身智能技术体系。这套技术方案聚焦于"世界模型赋能具身操作"的技术路径，为机器人领域提供了新的研发范式。目前，所有相关模型的权重参数和推理代码均已向研究社区开放。
