文章目录LingBot-VLA 2.0 技术解析6 万小时炼成的跨实体机器人通用大脑一、背景具身智能的 VLA 范式1.1 从感知到动作的演进1.2 VLA 模型的核心挑战1.3 LingBot-VLA 的定位二、技术架构2.1 整体架构2.2 模型规格三、训练数据6 万小时的机器人大脑3.1 数据构成3.2 为什么需要第一人称人类数据3.3 跨实体覆盖四、跨实体机制4.1 统一动作空间4.2 跨实体学习的关键技术4.3 为什么 MoE 架构适合 VLA五、性能与基准5.1 基准测试表现5.2 与其他 VLA 方案对比六、部署方案6.1 硬件要求6.2 部署流程6.3 机器人适配七、与同类模型的横向对比7.1 技术路线对比7.2 适用场景决策树八、未来展望8.1 VLA 模型的发展趋势8.2 LingBot-VLA 的行业意义九、总结LingBot-VLA 2.0 技术解析6 万小时炼成的跨实体机器人通用大脑2026 年 7 月 8 日蚂蚁集团旗下具身 AI 子公司 Robbyant灵波开源了LingBot-VLA 2.0——一个 6B 参数的视觉-语言-动作Vision-Language-Action基础模型。与以往的机器人模型不同这个机器人大脑不需要针对每种机器人重新训练而是用 6 万小时真实物理世界数据训练出一个统一的动作空间直接覆盖 17 家厂商的 20 多种机器人构型。从双足人形到机械臂、从移动底盘到无人机一个模型统一操控。本文将从技术架构、训练数据、跨实体机制、部署方案等维度进行深度技术解析。亲爱的朋友们创作不容易若对您有帮助的话请点赞收藏加关注哦您的关注是我持续创作的动力谢谢大家有问题请私信或联系邮箱jason.fngmail.com一、背景具身智能的 VLA 范式1.1 从感知到动作的演进阶段技术能力局限感知层2010s图像分类、目标检测看懂场景不能操作理解层2020s 初VLM视觉-语言模型看懂 对话仍然不能操作策略层2023-2025行为克隆、模仿学习能执行固定任务每类机器人需单独训练基础模型层2025-2026VLA视觉-语言-动作模型看懂 对话 操作跨实体泛化是最大挑战1.2 VLA 模型的核心挑战VLA 模型的目标是输入摄像头图像 语言指令 → 输出机器人动作。听起来简单但每个环节都有深坑挑战说明跨实体Cross-Embodiment不同机器人的关节数量、自由度、传感器配置完全不同如何用一个模型操控数据规模机器人操作数据获取成本极高遥操作采集需要多少小时才能达到泛化动作空间统一双足、轮式、机械臂、无人机……如何用统一的动作表示实时性推理延迟必须控制在 10-30Hz 才能流畅操控机器人物理世界鲁棒性训练数据中的光照、物体、场景与实际部署环境可能完全不同1.3 LingBot-VLA 的定位Robbyant 的 LingBot 系列在 2026 年 1 月发布了 1.0 版本7 月的 2.0 版本是一次全面升级。整个项目族包括模型功能用途LingBot-VLA 2.0视觉-语言-动作基础模型统一操控多类型机器人LingBot-Depth深度估计空间感知LingBot-World世界模型物理世界预测LingBot-VA视觉-动作自回归模型轻量级操作LingBot-Map流式 3D 重建环境建模LingBot-Video视频基础模型多场景动态生成二、技术架构2.1 整体架构┌──────────────────────────────────────────────────────────┐ │ 输入层 │ │ ┌──────────────────┐ ┌──────────────────┐ │ │ │ 摄像头图像 │ │ 语言指令 │ │ │ │ (RGB / Depth) │ │ (拿起红色杯子) │ │ │ └────────┬─────────┘ └────────┬─────────┘ │ ├───────────┼─────────────────────┼────────────────────────┤ │ ▼ ▼ │ │ ┌────────────────────────────────────────────┐ │ │ │ 视觉编码器Vision Encoder │ │ │ │ SigLIP / ViT │ │ │ │ 将多视角图像编码为视觉 Token │ │ │ └────────────────────┬───────────────────────┘ │ ├───────────────────────┼───────────────────────────────────┤ │ ▼ │ │ ┌────────────────────────────────────────────┐ │ │ │ 语言-视觉融合层LLM Backbone │ │ │ │ 6B MoE 架构 │ │ │ │ 将视觉 Token 与语言 Token 融合 │ │ │ │ 输出包含环境理解 意图理解的联合表征 │ │ │ └────────────────────┬───────────────────────┘ │ ├───────────────────────┼───────────────────────────────────┤ │ ▼ │ │ ┌────────────────────────────────────────────┐ │ │ │ 动作解码器Action Decoder │ │ │ │ 输出统一动作空间的 Token 序列 │ │ │ │ 支持 7-DoF / 双臂 / 全身控制 │ │ │ └────────────────────┬───────────────────────┘ │ ├───────────────────────┼───────────────────────────────────┤ │ ▼ │ │ ┌────────────────────────────────────────────┐ │ │ │ 动作执行层Robot Controller │ │ │ │ 将统一动作映射到具体机器人的关节控制 │ │ │ │ 逆运动学 / 关节空间控制 │ │ │ └────────────────────────────────────────────┘ │ └──────────────────────────────────────────────────────────┘2.2 模型规格参数值说明模型名称lingbot-vla-v2-6b6B “native depth” checkpoint参数量6B60 亿MoE 架构激活参数更少架构类型MoE混合专家每次推理仅激活部分专家网络视觉编码器SigLIP / ViT多视角图像编码LLM 主干自研 6B 语言模型视觉-语言融合 动作生成输入模态RGB 图像 深度图 文本指令多模态融合输出统一动作空间的 Token 序列自回归生成动作推理频率10-30 Hz满足实时控制需求三、训练数据6 万小时的机器人大脑3.1 数据构成数据类型时长来源用途真实交互轨迹50,000 小时跨 20 种机器人构型的真实遥操作采集多构型泛化第一人称人类操作10,000 小时人类头戴摄像头执行日常操作跨实体迁移合计60,000 小时——3.2 为什么需要第一人称人类数据这是 LingBot-VLA 2.0 的一个关键设计。人类数据的作用是实现跨实体迁移人类双手操作10,000 小时 │ ├── 提供通用的操作常识 │ ├── 物体如何被抓取 │ ├── 工具如何被使用 │ └── 空间关系如何被理解 │ └── 迁移到机器人 ├── 双足机器人从双臂操作映射到全身 ├── 机械臂从人类手臂映射到机械臂 └── 移动底盘从人类行走映射到导航3.3 跨实体覆盖LingBot-VLA 2.0 支持17 家机器人厂商的20 多种构型构型类别示例典型自由度双足人形Unitree H1 / G1、Agibot 等全身 20-40 DoF单臂机器人标准 6-7 DoF 机械臂6-7 DoF双臂机器人双臂协作平台12-14 DoF轮式移动 臂移动底盘 机械臂10-20 DoF四足 臂机器狗 机械臂12-20 DoF四、跨实体机制4.1 统一动作空间不同机器人的关节数量和运动范围差异巨大。LingBot-VLA 2.0 的核心创新之一是统一动作空间的设计统一动作空间Unified Action Space │ ├── 关节角 TokenJoint Angle Tokens │ ├── 归一化到 [-1, 1] 范围 │ ├── 不存在的关节用特殊 Token 填充 │ └── 模型学会忽略无关关节 │ ├── 末端位姿 TokenEnd-Effector Pose Tokens │ ├── 6-DoF 位姿x, y, z, roll, pitch, yaw │ └── 适用于所有带末端执行器的机器人 │ ├── 夹爪 TokenGripper Tokens │ └── 开/关状态 │ └── 移动基座 TokenBase Motion Tokens └── 适用于带移动底盘的机器人4.2 跨实体学习的关键技术技术作用原理动作掩码Action Masking让模型忽略当前机器人不支持的自由度对不存在的关节维度应用 mask形态嵌入Morphology Embedding告知模型当前操作的是哪种机器人为每种构型分配独特的 embedding端到端联合训练所有构型共享同一个模型权重不针对单一构型微调第一人称迁移人类操作数据 → 机器人操作通过视觉-动作对齐实现跨实体4.3 为什么 MoE 架构适合 VLALingBot-VLA 2.0 采用MoEMixture of Experts架构这对跨实体任务有天然优势优势说明专家分工不同专家可以专注于不同构型/任务计算效率6B 总参数每次推理只激活一小部分满足实时性知识隔离人类操作知识和机器人操作知识可以分配到不同专家可扩展性新构型可以训练新专家不影响已有专家五、性能与基准5.1 基准测试表现基准LingBot-VLA 2.0对比模型泛化操控任务超越 π0.5Google π0.57B跨实体迁移20 构型直接可用多数方案需单独训练推理延迟10-30 Hz满足实时控制训练数据规模60,000 小时远超同类开源方案注具体数值因任务和部署环境而异以上为相对表现。5.2 与其他 VLA 方案对比方案参数量开源跨实体训练数据厂商支持LingBot-VLA 2.06B MoE✅✅ 20 构型60,000 小时17 家厂商π0 / π0.57B❌✅undisclosed内部OpenVLA7B✅⚠️ 有限开源数据集社区RT-255B❌✅undisclosed内部Gr00t—✅✅—NVIDIA 生态六、部署方案6.1 硬件要求组件最低配置推荐配置GPURTX 409024GB双 RTX 4090 / A100CPU8 核16 核内存32 GB64 GB存储50 GB SSD200 GB NVMe6.2 部署流程# 1. 克隆仓库gitclone https://github.com/robbyant/lingbot-vla-v2.gitcdlingbot-vla-v2# 2. 安装依赖pipinstall-rrequirements.txt# 3. 下载模型权重# 从 Hugging Face 或 ModelScope 下载 lingbot-vla-v2-6b# 4. 运行推理python demo.py\--modellingbot-vla-v2-6b\--robotrobot_type\--cameracamera_config\--instruction拿起桌子上的红色杯子# 5. 实时控制循环伪代码whileTrue: imagecamera.capture()# 获取当前帧actionmodel.predict(image, instruction)# 预测动作robot.execute(action)# 执行动作time.sleep(1/30)# 30Hz 控制频率6.3 机器人适配Robbyant 提供了机器人配置模板每种构型对应一个配置文件# robots/unitree_g1.yamlrobot_type:humanoidembodiment_id:unitree_g1dof:36joint_names:[left_hip_yaw,left_hip_roll,left_hip_pitch,...]action_dim:36camera_config:-name:head_rgbtype:rgb-name:head_depthtype:depth-name:wrist_rgbtype:rgb七、与同类模型的横向对比7.1 技术路线对比维度LingBot-VLA 2.0π0 / π0.5OpenVLA架构MoE6B 总参激活更少Dense7BLLM fine-tune7B训练范式真实遥操作 第一人称人类数据真实遥操作开源数据集跨实体原生支持 20 构型支持但需配置有限开源✅ 模型 代码❌✅ 代码部署门槛中等单卡可跑不公开中等推理速度10-30 Hz—5-15 Hz生态Robbyant 全家桶Google DeepMind社区驱动7.2 适用场景决策树需要机器人操控模型 │ ├── 需要跨多种机器人构型 │ ├── 是 → LingBot-VLA 2.0原生跨实体 │ └── 否 → 继续判断 │ ├── 需要完全开源含模型权重 │ ├── 是 → LingBot-VLA 2.0 / OpenVLA │ └── 否 → 继续判断 │ ├── 部署资源有限单卡可跑 │ ├── 是 → LingBot-VLA 2.0MoE 架构激活参数少 │ └── 否 → 继续判断 │ ├── 需要人类第一人称数据增强的泛化能力 │ ├── 是 → LingBot-VLA 2.0 │ └── 否 → 继续判断 │ └── 已有 Google 生态 ├── 是 → π0.5 └── 否 → LingBot-VLA 2.0八、未来展望8.1 VLA 模型的发展趋势趋势说明时间线更大规模数据从 6 万小时到 10 万 小时1-2 年更多构型覆盖从 20 到 50 种机器人构型1 年实时性能提升从 30Hz 到 100Hz1-2 年多模态增强触觉 力反馈 语音输入1 年Sim-to-Real 融合仿真数据与真实数据联合训练6-12 个月端侧部署模型压缩后直接运行在机器人板载芯片1-2 年8.2 LingBot-VLA 的行业意义维度意义开源推动6B MoE 权重完全开源降低行业门槛标准化统一动作空间的尝试为机器人通用接口提供了参考生态建设覆盖 17 家厂商推动跨平台兼容数据飞轮开源 → 社区贡献 → 数据积累 → 模型迭代九、总结维度核心要点模型6B MoE 架构自研语言主干 SigLIP 视觉编码器数据60,000 小时50,000 小时真实轨迹 10,000 小时第一人称人类操作跨实体17 家厂商、20 种构型统一动作空间 形态嵌入 动作掩码性能在泛化操控任务上超越 π0.5推理延迟 10-30 Hz部署单 RTX 4090 可运行支持 YAML 配置适配不同机器人开源GitHub 完全开源模型权重 代码 配置模板定位从基础模型到实际应用的 VLA 工程化标杆LingBot-VLA 2.0 代表了具身智能领域的一个重要进展方向用统一模型统一操控。它的核心价值不在于6B 参数这个数字而在于 6 万小时数据锤炼出的跨实体泛化能力——一个模型学会操控 20 多种完全不同的机器人。这标志着 VLA 模型正在从单一任务的策略网络走向通用机器人的操作大脑。参考资料Robbyant/lingbot-vla-v2 GitHub 仓库LingBot-VLA 2.0 官方页面6 万小时炼一个机器人大脑LingBot-VLA 2.0 技术全解读知乎MarkTechPost: Robbyant Releases LingBot-VLA 2.0Robbyant Open-Sources LingBot-VLA 2.0Robotics Business News60000小时炼出新开源VLA20多种机器人都能用BAIHUB支持17家机器人厂商20多种构型凤凰网