蚂蚁灵波开源具身“通用大脑”LingBot-VLA，能带来哪些惊喜？
LingBot-VLA的卓越性能展现
跨本体泛化能力提升
在上海交通大学开源的具身评测基准GM-100测试里，LingBot-VLA在3个不同真实机器人平台上，跨本体泛化平均成功率显著提升。未引入深度信息时，相较于Pi0.5的13.0%提升至15.7%，引入后更是攀升至17.3%，刷新了真机评测成功率纪录。
仿真基准评测领先
在RoboTwin2.0仿真基准评测中，面对高强度环境随机化干扰，LingBot-VLA凭借独特机制高度融合深度信息。其操作成功率比Pi0.5提升了9.92%，实现了从虚拟仿真到真实落地的全方位性能领跑。
LingBot-VLA解决的关键问题
应对泛化性挑战
长期以来，具身智能模型落地因多种差异面临严重泛化性挑战。LingBot-VLA基于大量真机数据预训练，覆盖多种主流双臂机器人构型，能让同一个“大脑”无缝迁移至不同机器人，保持成功率与鲁棒性。
降低后训练成本
它大幅降低了下游任务适配门槛，仅需80条演示数据即可实现高质量任务迁移。配合底层代码库优化，训练效率大幅提高，降低了数据与算力成本，压缩了模型训练周期。
开源的重大意义与合作
全套代码库开放助力
此次开源不仅提供模型权重，还开放了全套代码库，涵盖数据处理等。这大幅压缩了模型训练周期，降低商业化落地门槛，助力开发者快速适配自有场景，提升模型实用性。
多方合作推动发展
在数据采集阶段，LingBot-VLA使用了星海图、松灵等硬件平台，多家公司在模型预训练阶段提供数据支持。目前已与多家厂商完成适配，验证了跨本体迁移能力，携手推动具身智能发展。
蚂蚁灵波开源的LingBot-VLA在性能上表现卓越，有效解决了具身智能模型落地的难题，其开源举措更是意义重大，多方合作必将加速具身智能技术的迭代与规模化应用，为AGI发展贡献力量。
相关问答
LingBot-VLA在真机评测中有哪些突出表现？
在上海交通大学的GM-0评测中，操作成功率比Pi0.92%。
具身智能模型落地面临哪些挑战？
面临本体差异、任务差异、环境差异等，开发者需针对不同硬件和任务重复采集大量数据后训练，抬高了落地成本，难以形成规模化交付路径。
LingBot-VLA如何降低后训练成本？
基于大量真机数据预训练，覆盖多种构型机器人，降低下游任务适配门槛，仅需80条演示数据。配合代码库优化，训练效率提高，降低数据与算力成本。
LingBot-VLA开源提供了什么？
开源不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库，压缩模型训练周期，降低商业化门槛。
哪些公司在LingBot-VLA研发中提供了支持？
数据采集阶段使用了星海图、松灵的硬件平台，乐聚等多家公司在模型预训练阶段提供了高质量数据支持，目前已与多家厂商完成适配。
蚂蚁集团在AGI研发上有哪些举措？
蚂蚁集团坚定以开源开放模式探索AGI，打造InclusionAI，构建了涵盖基础模型等的完整技术体系与开源生态，LingBot-VLA的开源是关键实践。
