金磊 发自 凹非寺量子位 | 公众号 QbitAI
整整60000小时的预训练数据。。 。。
一个新VLA（视觉-语言-行动），，，，，就这么水灵灵地被“喂”了出来，，，，，并且照旧开源的那种。。 。。
这就是蚂蚁灵波刚刚宣布的LingBot-VLA 2.0，，，，，一个面向重大物理天下使命的通用VLA模子。。 。。
先来聊聊这60000小时真实物理数据是怎么来的。。 。。
着实它包括两个部分，，，，，其中50000小时来自机械人轨迹数据，，，，，笼罩20种机械人构型；；；；； ；另外10000小时来自第一视角人类操作视频。。 。。
而距蚂蚁灵波1月宣布LingBot-VLA 1.0仅半年时间来，，，，，数据规模从20000小时直接乘了个3。。 。。
那么效果又怎样呢？？？？
来，，，，，直接上效果：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
我们从视频中可以看到，，，，，机械人先从操作台上拿起饮料、水果放进篮子里，，，，，再拎起篮子移动到冰箱前，，，，，翻开冰箱门、把工具一件件放进去，，，，，最后关上冰箱门。。 。。
一整套长序列的移动操作，，，，，一气呵成，，，，，相当丝滑。。 。。
不过有一说一，，，，，数据规；；；；； ；菇鼋鍪荓ingBot-VLA 2.0亮点的一隅，，，，，在细扒相关手艺报告后我们发明：
支持20多种机械人构型；；；；； ；从双臂扩展到头部、腰部、移动底盘、灵巧手等更完整的行动空间；；；；； ；融合LingBot-Depth，，，，，让机械人获得更强空间明确能力；；；；； ；在英伟达RTX 4090上推理延迟低于130ms。。 。。
而不少网友们看到LingBot-VLA 2.0的宣布后，，，，，更是直呼：
开源的具身模子正在加速机械人手艺在现实天下中的应用。。 。。
机械人干活，，，，，更利索了
接下来，，，，，我们先继续来直观感受一下在LingBot-VLA 2.0加持之下，，，，，机械人干真实天下家务活儿的体现怎样。。 。。
第一个使命是整理灶台。。 。。
它比适才的冰箱收纳来说，，，，，越发靠近真实生涯中的厨房场景：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
机械人面临炉灶、锅架、海绵等一桌子物品，，，，，需要先将障碍物挪开、取放稳当，，，，，然后精准地拿起海绵擦拭灶台，，，，，最后还得把相关物体物归原位。。 。。
从机械人的体现来看，，，，，LingBot-VLA 2.0是经受住了真真相形里的一连决媾和细腻交互的磨练。。 。。
再来看一个使命，，，，，调料收纳。。 。。
这类使命更磨练双臂协同和空间关系处理能力，，，，，机械人要清晰每个物体划分放在哪、相互间距多远、桌面结构长什么样，，，，，光靠看画面是不敷的，，，，，还得有空间感。。 。。
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
再来感受一下带LingBot-Depth 2.0深度热力争、物体界线Token掩码、余弦相似度热图的效果：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
而这正是LingBot-VLA 2.0默认融合LingBot-Depth之后带来的能力升级，，，，，精准拿捏住了机械人自身和空间之间的关系。。 。。
若是我们把这三个案例放到一起，，，，，LingBot-VLA 2.0要做的事儿就较量清晰了：
它是希望通过统一套具身大脑，，，，，能够做到迁徙赴任别身体、差别场景、差别使命里。。 。。
换言之，，，，，为某个机械人专门训的专用模子不是目的，，，，，要害是一套能复用的通用具身操作基座。。 。。
（完整能力视频如下）
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
还学会了展望未来
在看完效果之后，，，，，接下来的问题就是LingBot-VLA 2.0是怎样做到的。。 。。
我们先从数听提及。。 。。
在第一代LingBot-VLA开源时，，，，，外界就已经关注到一个点，，，，，真实天下机械人数据越多，，，，，VLA模子能力越强，，，，，并且这种提升还没有显着到头。。 。。
到了LingBot-VLA 2.0，，，，，这条蹊径还在继续被往前推。。 。。正如我们适才提到的，，，，，它的数据管线从9万小时数据中洗濯出5万小时高质量真机数据，，，，，又从2万小时第一视角人类操作数据中提炼出1万小时有用数据，，，，，总预训练数据抵达6万小时。。 。。
但数据量增添还只是表象。。 。。更要害的是这些数据笼罩了更多机械人形态、多视角、多使命、多行动模式。。 。。
团队在手艺报告中列出的机械人构型便包括Leju、Franka、AgileX、ARX Lift2、Galaxea R1Pro、Astribot S1、Unitree G1、Fourier GR-2、AgiBot A2等，，，，，总计20种embodiment。。 。。
我们知道语言模子吃的是文本，，，，，但到了VLA这里，，，，，吃的是“视觉、语言、行动”的组合。。 。。
它不但要知道“把水果放进冰箱”这句话是什么意思，，，，，还要知道机械臂该怎么靠近物体，，，，，夹爪什么时间闭合，，，，，底盘什么时间移动，，，，，冰箱门翻开后空间关系怎样转变。。 。。
以是数据越富厚，，，，，模子越有时机学到更通用的操作纪律。。 。。
除了数据够“厚”之外，，，，，LingBot-VLA 2.0的另一个要害，，，，，在于它把行动空间买通了。。 。。
差别机械人有差别枢纽、差别夹爪、差别底盘。。 。。双臂机械人、人形机械人、移念头械臂，，，，，在身体结构上差别很大。。 。。要让统一个VLA模子迁徙赴任别身体上，，，，，就需要把这些差别映射到一个统一的行动空间里。。 。。
LingBot-VLA 2.0这次把行动空间从双臂进一步扩展到头部、腰部、移动底盘、灵巧手等自由度。。 。。
真实天下重大使命往往需要多个身体自由度协同完成，，，，，LingBot-VLA 2.0的目的就是提升机械人在开放场景、长序列使命和多自由度协同使命中的体现。。 。。
更有意思的是，，，，，LingBot-VLA 2.0还学会了展望未来。。 。。
已往许多VLA模子更像是反馈式执行，，，，，看到目今画面，，，，，天生一个行动；；；；； ；执行完之后，，，，，再凭证下一帧视察效果继续修正。。 。。但这种方式能形成闭环，，，，，但在长序列使命里容易泛起问题。。 。。
因此，，，，，LingBot-VLA 2.0引入了未来深度展望和语义特征展望，，，，，让模子在天生行动时同时明确目今状态和展望未来状态。。 。。
详细来讲，，，，，团队给视觉和文本token特殊挂上两组可学习的query token，，，，，一组对应目今时刻，，，，，一组对应未来时刻；；；；； ；再划分用认真几何信息的深度模子LingBot-Depth，，，，，和认真语义、时序信息的自研视频表征模子DINO-Video做蒸馏监视，，，，，让模子不但明确眼前的场景，，，，，还能提前预判物体位置、空间关系和使命状态接下来会怎么转变。。 。。
由此，，，，，我们便可以把LingBot-VLA 2.0在手艺上的升级归结为：
数据更厚，，，，，身体笼罩更广，，，，，行动空间更完整，，，，，模子还具备一定前瞻式时序明确能力。。 。。
GM-100上见真章
模子好欠好，，，，，评测效果也是很好的证实。。 。。
这次LingBot-VLA 2.0在GM-100多使命Generalist Benchmark上选取9个使命，，，，，与GR00T N1.7、π0.5、LingBot-VLA 1.0举行比照；；；；； ；同时也在两个长程移动操作使命上与π0.5举行比照。。 。。
值得一提的是，，，，，Generalist Benchmark考察的是统一个模子在多个使命上的综合体现，，，，，而非为单个使命划分训练、划分调优，，，，，再把各自最好的效果拼成一张榜单。。 。。因此，，，，，这类评测更靠近真实落地场景，，，，，也更能反映一个VLA基座模子的通用能力。。 。。
先看GM-100双臂操作。。 。。
在AgileX Cobot Magic平台上，，，，，LingBot-VLA 2.0整体平均效果为66.2/34.4，，，，，高于GR00T N1.7的36.3/17.8、π0.5的59.1/32.2，，，，，以及LingBot-VLA 1.0的58.2/30.0。。 。。
在Galaxea R1 Pro平台上，，，，，LingBot-VLA 2.0整体平均为34.6/15.6，，，，，进度分高于GR00T N1.7、π0.5和LingBot-VLA 1.0；；；；； ；乐成率与LingBot-VLA 1.0持平，，，，，但高于GR00T N1.7和π0.5。。 。。
除此之外，，，，，团队还做了两个较有代表性的测试：Astribot S1执行物体放入冰箱使命，，，，，Cobot Magic-ARX X5执行整理灶台使命。。 。。
每个使命都有ID和OOD两种设置，，，，，每组15次自力实验。。 。。OOD设置下，，，，，机械人初始位置会被扰动；；；；； ；在冰箱收纳使命中，，，，，还会替换为没见过的物体种别，，，，，用来测试泛化能力。。 。。
效果上，，，，，冰箱收纳使命中，，，，，LingBot-VLA 2.0在ID设置下为77.1/60.0，，，，，π0.5为65.3/46.7；；；；； ；OOD设置下，，，，，LingBot-VLA 2.0为37.0/13.3，，，，，π0.5为30.3/6.7。。 。。
整理灶台使命中，，，，，LingBot-VLA 2.0在ID设置下为84.3/66.7，，，，，π0.5为79.9/60.0；；；；； ；OOD设置下，，，，，LingBot-VLA 2.0为67.5/40.0，，，，，π0.5为62.5/33.3。。 。。
具身通用大脑，，，，，越发要害了
放到整个行业来看，，，，，LingBot-VLA 2.0的意义不止是又一个更强的模子。。 。。
已往一年，，，，，机械人硬件本体的转变很快。。 。。乐聚、智元、星动纪元等公司都在推进差别形态的身体，，，，，人形机械人、双臂机械人、移念头械臂都在快速迭代。。 。。
身体越来越多，，，，，问题也随之泛起。。 。。
每种机械人都有自己的枢纽构型、传感器设置、控制方式；；；；； ；每个场景又有差别物体、空间、使命要求。。 。。若是每一种本体、每一个使命都要重新适配一套算法，，，，，本钱会很高，，，，，规；；；；； ；埠苣选！ 。。
LingBot-VLA 2.0想做的，，，，，就是大脑层的通用化。。 。。
它用更大规模的真实数据，，，，，让模子见过更多物理天下里的行动；；；；； ；用统一行动体现，，，，，实验抹平差别本体之间的差别；；；；； ；再加上LingBot-Depth和未来展望，，，，，让机械人对空间和时间有更强的明确。。 。。
从更久远看，，，，，具身智能可能会泛起一个趋势：
机械人的身体继续百花齐放，，，，，但通用大脑的趋势会愈加收敛。。 。。
One More Thing：
昨天蚂蚁灵波宣布了LingBot-Depth 2.0，，，，，今天是LingBot-VLA 2.0，，，，，但预计它的新行动不会仅止于此。。 。。
由于在一月份的时间，，，，，蚂蚁灵波就针对具身智能来了一波四连弹。。 。。
以是，，，，，对具身智能感兴趣的小同伴，，，，，可以继续坚持下关注哦~
手艺报告：From Foundation to Application: Improving VLA Models in Practice
报告地点：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf
项目页面：https://technology.robbyant.com/lingbot-vla-v2
代码库：https://github.com/robbyant/lingbot-vla-v2
Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vla-v2
ModelScope：https://modelscope.cn/collections/Robbyant/LingBot-VLA-V2
“在其时艰辛的情形下，，，，，他们对生涯也一直有着自己的追求。。 。。”胡志强说，，，，，这份细腻像一颗种子，，，，，埋在他心里许多年。。 。。