标题：LingBot-VLA 2.0开源：6B参数统一20种机器人动作，跨实体策略模型新标杆
摘要：蚂蚁集团旗下Robbyant发布LingBot-VLA 2.0，基于Qwen3-VL-4B架构，融合MoE动作专家与55维规范向量，实现跨20种机器人平台的动作统一。模型以60,000小时混合训练数据（含50,000小时机器人轨迹与10,000小时第一人称人类视频）为支撑，在GM-100基准测试中超越π0.5，全套代码及权重以Apache-2.0开源。

机器人领域的视觉-语言-动作（VLA）模型正从单任务的“实验室玩具”转向支撑跨平台泛化的基础能力。当业界仍在为不同形态机器人间的动作表征差异苦恼时，蚂蚁集团旗下Robbyant带来的LingBot-VLA 2.0给出了一套值得深入拆解的开源方案——一个拥有60亿参数、覆盖20种机器人配置的通用策略基础模型。

该模型最核心的工程突破在于对“动作统一”的处理。LingBot-VLA 2.0并未采用传统方案中针对每类机器人定制输出空间的做法，而是设计了一套55维规范向量，将不同机器人的关节角度、末端执行器位姿、夹爪状态等异构信息映射到同一抽象空间。这使得模型在训练阶段能同时吸收来自轮式底盘、四足、双臂协作等多种形态的数据，无需单独为每种机器人生成专属动作头。

在架构设计上，LingBot-VLA 2.0以Qwen3-VL-4B-Instruct作为视觉-语言骨干，并叠加了MoE（混合专家）动作专家模块。不同于简单拼接视觉与动作预测的端到端设计，MoE架构允许模型针对不同动作类型（如连续关节控制、离散夹爪指令）路由到专门的专家子网络，同时保持主干参数的共享。这一设计显著降低了模型在面对多任务、多形态数据时的知识冲突，也是其在GM-100双机械臂基准测试中，在多个机器人平台（如固定基座、移动机械臂）上超越π0.5及前代版本的关键原因。

数据规模和质量是另一个决定性的变量。LingBot-VLA 2.0的训练数据集总量达到约60,000小时，其中50,000小时来自机器人轨迹（涵盖20种机器人实物与仿真数据），另外10,000小时为第一人称人类操作视频。值得注意的是，人类视频数据并非简单的“填充”，而是通过动作映射算法将其中的手部运动对应到规范向量空间，从而为机器人提供更丰富的物体交互示范。这种做法在降低数据采集成本的同时，也拓宽了模型对未见过场景的适应能力。

从行业视角看，LingBot-VLA 2.0的开源动作（Apache-2.0许可）直指当前机器人智能的核心痛点：跨实体泛化。此前，π0.5等同类模型虽表现优异，但多在商业许可下发布，对学术团队和中小企业并不友好。Robbyant将完整模型权重、训练代码以及技术报告公开，意味着团队可以直接基于该模型进行微调，绕过了从零构建统一动作表示的难题。对于正在搭建机器人基础模型的研究者，MoE动作专家架构是值得重点复现的设计；而对于产品团队，55维规范向量提供了一个可直接移植的“动作接口”标准。

未来的挑战依然存在：60,000小时数据对于覆盖真正多样化的工业场景仍显不足，尤其是极端环境下的长尾操作；MoE模块的推理效率也需要在实际部署中进一步优化。但LingBot-VLA 2.0的推出无疑将加速机器人策略从“单具身演示”向“多具身共享”的转变——这恰是通往通用机器人智能必须跨过的门槛。