泉源：民主刚果民众走上陌头庆祝战平葡萄牙作者： 周惠玲：

60000小时炼出新开源VLA！20多种机械人都能用

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。。。

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