蚂蚁集团旗下具身智能企业灵波科技近日宣布，正式开源其具身基座模型LingBot-VLA的真机后训练工具链。这一举措旨在降低开发团队将模型迁移至自有机器人及具体任务的门槛，通过提供标准化工具链加速行业应用落地。开发人员可基于该工具链，利用自有数据快速完成模型适配，无需从零构建工程链路。
在具身智能领域，尽管开源模型数量持续增长，但真机部署仍面临显著挑战。不同机器人在机械结构、传感器配置及控制接口等方面的差异，导致开发团队需投入大量资源进行定制化适配。此前，这类工程经验多作为企业核心机密，鲜有完整公开案例。灵波科技此次开源的工具链聚焦真机适配痛点，覆盖数据处理、训练优化、离线评测及部署加速四大环节。
具体而言，工具链包含支持多LeRobot数据合并与关节维度映射标准化的数据处理模块，可显著提升数据兼容性；面向真机场景优化的训练配置方案，通过参数调优提升模型收敛效率；离线评测工具则提供标准化评估指标，帮助开发团队快速验证模型性能；部署模块支持编译加速技术，可缩短模型在真实硬件上的运行延迟。为满足多样化需求，模型同时提供含深度信息与不含深度信息的双版本选择。
作为底层支撑的LingBot-VLA基座模型，基于2万小时真实机器人操作数据预训练，覆盖9种主流双臂机器人构型。该模型具备跨本体、跨任务迁移能力，在真机与仿真评测中均超越行业基准π0.5模型。目前，灵波科技已与乐聚、松灵、星海图等厂商完成多机型验证，证明其兼容性与泛化性。
技术优势方面，LingBot-VLA仅需150条演示数据即可实现高质量任务迁移，数据效率显著优于同类模型。其训练效率较StarVLA、OpenPI等主流框架提升1.5至2.8倍，这得益于底层代码库的深度优化，有效降低了模型适配所需的算力与数据成本。对于资源有限的中小团队而言，这一特性可大幅缩短研发周期。
目前，LingBot-VLA的完整代码库已通过GitHub开源（github.com/Robbyant/lingbot-vla），模型权重同步发布于Hugging Face与ModelScope平台。开发人员可自由获取工具链与模型资源，结合自有硬件进行二次开发。此次开源有望推动具身智能技术在工业制造、物流仓储等场景的规模化应用。
