机械臂精准地将试管插入试管架，另一只手则平稳地叠好一件衬衫，这些过去需要大量编程和调试的复杂操作，如今只需30条演示数据就能让机器人自主完成。
蚂蚁灵波科技今日宣布开源具身世界模型LingBot-VA，首次将大规模视频生成模型与机器人控制深度融合。这一模型能在生成“下一步世界状态”的同时，直接推演并输出对应的动作序列。
北京智源人工智能研究院预测，2026年AI将从追求参数规模转向理解物理世界规律，世界模型正成为实现通用人工智能的共识方向。
01 技术突破
人工智能正在经历一场深刻的范式转变。今天的AI不再仅仅满足于在数字世界中预测下一个词语，而是开始尝试理解并预测物理世界的运动规律。
蚂蚁灵波科技开源的LingBot-VA代表了这一转变的最新成果。该模型基于独特的自回归视频-动作世界建模框架，使机器人能够像人类一样“边推演、边行动”。
这一突破标志着AI从数字空间的感知能力，真正迈向物理世界的认知与规划能力。
LingBot-VA采用Mixture-of-Transformers架构，实现了视频处理与动作控制的跨模态融合。模型通过闭环推演机制，在每一步生成时都会纳入真实世界的实时反馈，确保持续生成的画面与动作不偏离物理现实。
02 性能实测
在实际测试中，LingBot-VA展现出令人印象深刻的能力。面对制作早餐、拾取螺丝、插入试管、叠衣物等六项高难度挑战，该模型仅需30至50条真机演示数据即可完成适配。
更值得注意的是，它在这些任务上的成功率相比业界强基线平均提升了20%。
在仿真评测中，LingBot-VA的表现同样出色。在高难度双臂协同操作基准RoboTwin2.0上，它将成功率提升至超过90%，在长时序终身学习基准LIBERO上达到98.5%的平均成功率，均刷新了行业纪录。
03 行业背景
具身智能正在脱离实验室演示阶段，进入产业筛选与落地阶段。随着大模型与运动控制、合成数据的结合，人形机器人将于2026年突破概念验证，转向真实的工业与服务场景。
这一趋势在中国尤为明显。中国通过顶层设计，为物理AI提供了清晰的应用场景和产业通道。“人工智能+”行动和“具身智能”被写入政府工作报告。
从智能电网到智慧农业，从柔性生产线到城市管理，一系列庞大、复杂且自带需求的“训练场”和“试验田”被系统性地开辟出来。
这一发展路径充满了现实主义色彩，与美国的科幻感和原创性形成鲜明对比。中国的优势在于将前沿技术迅速工程化、产品化，并依托全球最完整、响应最快的供应链，将其成本控制在市场可接受的范围内。
04 核心创新
LingBot-VA的核心创新在于其独特的异步推理管线和基于记忆缓存的持久化机制。这些设计专门针对大规模视频世界模型在机器人端侧落地的计算瓶颈。
通过将动作预测与电机执行并行化处理，以及引入噪声历史增强策略，LingBot-VA实现了推理时只需更少生成步骤即可输出稳定、精确的动作指令。
这一系列优化使得该模型既拥有大模型的理解深度，又具备真机低延迟控制的响应速度。
这一突破对于整个具身智能领域具有重要意义。真实训练数据的稀缺一直是行业面临的普遍挑战。而LingBot-VA只需要极少量的演示数据就能适应新任务，这大大降低了机器人部署的门槛和成本。
05 开源生态
蚂蚁灵波科技的这次开源不是孤立事件，而是其构建完整技术体系的一部分。此前，该公司已经相继开源了空间感知模型LingBot-Depth、智能基座模型LingBot-VLA和模拟环境LingBot-World。
LingBot-Depth基于奥比中光Gemini 330系列双目3D相机提供的芯片级原始数据，专注于提升环境深度感知与三维空间理解能力。这一模型旨在为机器人、自动驾驶汽车等智能终端赋予更精准、更可靠的三维视觉。
通过这一系列开源模型，蚂蚁灵波科技正探索一条“世界模型赋能具身操作”的全新路径。该公司表示，将持续依托InclusionAI社区开源开放，与行业共建具身智能基础能力，加速构建深度融合开源开放、且服务于真实产业场景的AGI生态。
当AI开始预测世界状态而不仅仅是词语时，蚂蚁灵波的开源动作像是向平静湖面投下的一颗石子。世界模型从数字领域走向物理世界，机器人从简单重复到“先思后行”，这一变化正悄然改写智能终端的进化路径。
仿真基准测试纪录被刷新，真机操作精度平均提升20%，背后是视频生成模型与机器人控制的深度融合。放眼全球，无论是新加坡科技创新周上展示的智平方GOVLA模型，还是思灵机器人在工业场景的深度布局，都指向同一个方向。
具身智能的竞争，已经从机械臂的灵活性延伸到“大脑”的思考能力。
关注 “悠AI” 更多干货技巧行业动态
相关文章
