蚂蚁集团近日发布 LingBot-VLA（Vision-Language-Action）视觉-语言-动作基础模型，聚焦现实世界中的机器人复杂操控任务，尤其面向双臂机器人等具身智能场景。LingBot-VLA 通过海量数据训练与统一建模方式，实现了跨不同形态机器人的通用操控能力，为机器人从“单任务脚本化控制”迈向“可泛化的智能操控”提供了更强的技术支撑。

在具身智能持续升温的背景下，LingBot-VLA 的推出不仅展示了蚂蚁集团在机器人基础模型方向的布局，也体现出 VLA 路线在真实环境操作任务中的落地潜力。

LingBot-VLA 是什么？

LingBot-VLA 是面向真实机器人操控的 VLA 基础模型，能够将多视角视觉输入与自然语言指令进行统一理解，并输出可执行的动作控制策略。它主要解决现实场景中的高难度操控问题，例如抓取、叠放、插入、协同操作等。

相比传统机器人方法依赖手工规则或单一任务训练，LingBot-VLA 更强调：

  • 更强的多模态理解（看得懂 + 听得懂）
  • 更稳定的动作生成（做得准 + 做得稳）
  • 更高的迁移能力（换机器人也能用）

LingBot-VLA 三大技术亮点

1）混合 Transformer 架构：多视角 + 指令协同理解

LingBot-VLA 采用创新的**“混合 Transformer”架构**，以 Qwen2.5-VL 作为多模态主干，支持同时处理：

  • 多视角图像输入（适配机器人多摄像头/多视角感知）
  • 自然语言指令（任务描述、操作要求、约束条件）

这种架构使模型在复杂操作任务中具备更好的统一理解能力，为多步骤操作和精细动作规划提供基础。

2）LingBot-Depth 空间感知增强：提升 3D 推理与精细操控

为强化机器人在现实环境中的空间理解能力，LingBot-VLA 引入 LingBot-Depth 空间感知模型，并采用特征蒸馏技术提升 3D 空间推理能力。

这使得模型在涉及空间关系的任务中表现突出，例如：

  • 叠放（stacking）
  • 插入（insertion）
  • 对齐、定位、避障等精细操控场景

对机器人来说，能否准确理解“物体之间的空间关系”往往决定了任务成功率，而该模块正是关键补强点。

3）极高数据效率：80条演示数据即可适配新机器人

LingBot-VLA 的另一大特点是数据效率高：仅需约 80条特定任务演示数据，就能快速适配新机器人平台。

这对于产业落地非常关键：

  • 降低数据采集与标注成本
  • 缩短机器人部署周期
  • 提升跨平台迁移能力

同时，蚂蚁集团已开源全套训练工具包与模型权重，进一步降低研究者与开发者的使用门槛，推动 VLA 在具身智能社区的应用扩展。

适用场景：具身智能、双臂协同与工业操作

LingBot-VLA 这类 VLA 基础模型在以下方向具备明确价值：

  • 双臂机器人协同操作（搬运、装配、组合任务）
  • 工业场景精细操作（插拔、定位、上料、质检辅助）
  • 复杂家庭服务机器人（收纳、清洁、整理物品）
  • 具身智能研究（泛化能力、交互学习、动作规划）

总结

LingBot-VLA 的发布表明：机器人操控正逐步进入以视觉-语言-动作基础模型为核心的阶段。通过混合 Transformer、多模态主干、深度空间感知与高数据效率训练机制，LingBot-VLA 在复杂操控、跨机器人迁移与低成本适配方面展现出较强能力。对于具身智能研究与双臂机器人应用落地而言，这是一项值得关注的技术进展。

详情入口（保留链接）

https://arxiv.org/pdf/2601.18692