蚂蚁灵波 LingBot-VLA

LingBot-VLA (A Pragmatic VLA Foundation Model, Robbyant / Ant Group)进阶

蚂蚁灵波开源的 VLA 基础模型，用约 2 万小时双臂真机数据预训练。

LingBot-VLA 是蚂蚁灵波（Robbyant）2026 年 1 月开源的视觉-语言-动作（VLA）基础模型，论文题为 A Pragmatic VLA Foundation Model，强调实用：泛化好、适配新平台的数据和算力成本低。它以 Qwen2.5-VL-3B 为视觉语言骨干（也支持 PaliGemma），用 9 种主流双臂构型约 20,000 小时真机数据预训练，并在智元 G1、松灵、星海图 R1Pro 等 4 个平台上各跑 100 个任务（GM-100）做系统评测。配套训练代码 8 卡吞吐每秒 261 个样本，比已有 VLA 代码库快 1.5–2.8 倍。2026 年 7 月的 2.0 版把数据扩到约 6 万小时（含 1 万小时人类第一视角视频），动作扩展到头、腰、底盘和灵巧手。