放大招！蚂蚁灵波“王炸”模型四连发，机器人要成精了？

四天开源四个模型，蚂蚁灵波直接摊开了一张具身智能的完整底牌。

从【看清】玻璃，到【理解】任务，再到【模拟】世界，最后到【行动】落地 ——一套覆盖感知、决策与仿真与执行的完整技术栈全集开源。

自1月27日起，蚂蚁集团旗下灵波科技（RobbyAnt）发起「开源周」，打出了一套严密的组合拳：

起手即是破局，LingBot-Depth 率先亮相，解决了机器人视觉中“看不透”的顽疾；

紧随其后，LingBot-VLA 接管大脑，让机器人真正具备了理解抽象指令的通感；

第三天，LingBot-World 构建高保真环境，为机器人打造了一个极低成本的试错空间；

而在今天，全球首个自回归视频-动作模型 LingBot-VA 压轴登场，让机器人真正学会“边推演、边行动”。

这套全家桶并非功能的简单堆砌。这四个模型单拎出来，每一个的指标都足以在行业内炸场。

那么，它们究竟强在哪里？

眼睛：破解透明难题，让机器人“看见不可见”

家居机器人撞上玻璃门，工业机械臂抓不到透明零件，这些行业经典痛点，源于传统深度相机在透明与反光材质前的功能性失明。

首日开源的LingBot-Depth 选择了一条巧妙路径：不依赖昂贵硬件升级，而是通过掩码深度建模（MDM）算法，让现有传感器获得超越自身规格的感知能力。

研究团队构建了包含200万组真实场景数据和100万组合成数据的训练集，实现在稀疏深度补全任务中，误差降低约 47%, 室内场景相对误差降低超过 70%。

在真机验证中，启用LingBot-Depth后的机器人抓取完全透明的塑料杯，成功率从0跃升至50%。

项目链接: https://technology.robbyant.com/lingbot-depth

HuggingFace 链接：https://huggingface.co/robbyant/lingbot-depth

技术报告链接：https://github.com/Robbyant/lingbot-depth/blob/main/tech-report.pdf

▍大脑：20000小时真实数据，喂出最强开源VLA基座

有了好眼睛，更需要一个好脑子。但机器人的“脑子”一直有个顽疾：在A机器人上训练的技能，换到B机器人上就宕机；在实验室桌子能完成的任务，换张桌子就抓瞎。

LingBot-VLA的解决方案简单粗暴，用海量、多样化的真实数据，硬生生喂出常识和泛化能力：20000小时真实机器人操作数据，覆盖9种不同构型的双臂机器人。

这一数据量不仅创下开源领域新纪录，更重要的是，研究团队首次在真实机器人任务中系统验证了VLA模型的Scaling Law：随着预训练数据从3000小时逐步扩展到20000小时，模型在下游任务的成功率持续提升，且尚未出现饱和迹象。

技术架构上，LingBot-VLA采用专家混合Transformer设计，并创新性地将LingBot-Depth提供的深度信息通过可学习查询对齐机制注入模型，赋予机器人精确的空间感知能力。

在上海交通大学开源的GM-100真实机器人评测基准中，引入深度信息的LingBot-VLA平均成功率达 17.3%，超越此前公认最强的Pi0.5。

在仿真基准RoboTwin 2.0中，面对高度随机化干扰，其成功率也比π0.5领先近10个百分点。

这验证了一个关键假设：一个在海量、异构真实数据中训练的大脑，能够学会跨越硬件差异的本质操作逻辑，真正实现“一个大脑，适配多个身体”。

项目网站：https://technology.robbyant.com/lingbot-vla

模型：

https://huggingface.co/collections/robbyant/lingbot-vla

https://www.modelscope.cn/collections/Robbyant/LingBot-VLA

数据集：

https://huggingface.co/datasets/robbyant/lingbot-GM-100

GitHub：https://github.com/Robbyant/lingbot-vla

技术报告：https://arxiv.org/abs/2601.18692

▍模拟：高保可交互的“虚拟演练场”开源

在真实世界训练机器人，成本高昂、效率低下、风险不小。于是，有一个能够试错、学习和推演的环境很重要。

LingBot-World 就是在构建一个与物理世界规律一致的 高保真、可交互仿真环境。不止是一个视频生成模型，更是一个物理规律严谨的世界模拟器。

它的强大，让人瞠目：

十分钟超长生成：画面稳定不崩坏，解决了长视频生成的记忆难题。

实时交互：你可以用WASD键盘像玩游戏一样实时探索这个世界，也可以用自然语言下令：“前面放个烟花”、“变成冰雪世界”，世界随之改变。

严格物理规律：猫咪撞到沙发会停下，不会穿模；镜头移开再回来，物体仍在并符合逻辑。

高动态环境下，镜头长时间移开后返回，车辆形态外观仍保持一致

镜头长时间移开后返回，房屋仍存在且结构一致

这意味着，机器人可以在这个虚拟世界里进行无数次零成本的人生模拟，学习技能、试错规划，再将经验无损迁移到现实。

更让社区沸腾的是，相比其他顶尖团队的闭源策略，蚂蚁灵波选择了完全开源 。国内外网友一片惊呼：“对开源社区是巨大胜利！”“这是具身智能的重大进步！”

项目网站：https://technology.robbyant.com/lingbot-world

模型：

https://huggingface.co/collections/robbyant/lingbot-world

https://www.modelscope.cn/collections/Robbyant/LingBot-world

数据集：Code:https://github.com/Robbyant/lingbot-world

技术报告: https://github.com/robbyant/lingbotworld/blob/main/LingBot_World_paper.pdf

▍执行：从“看懂世界”到“改变世界”

接下来，还有一个关键问题悬而未决：如何将世界模型中推演的未来，高效、可靠地变为机器人在物理世界中 执行的当下？

今天开源的 LingBot-VA，正是打通了落地的答案，是全球首个自回归视频-动作一体化世界模型。

它的核心突破在于“边推演，边行动”。

传统的流程是，先让世界模型完整推演一遍任务视频，再让另一个控制模型去学习模仿。而LingBot-VA将二者融合：在每一步，模型根据当前观测，同步生成下一帧的世界画面和达成该画面的机器人动作。

它拥有长期记忆：能记住完整的历史交互，避免在相似状态中陷入循环。例如，在“开右盒-关右盒-开左盒”的任务中，它能清晰区分关盒前后的相同状态，不会卡壳。

它具备少样本快速学习能力：仅需30-50条真实演示，就能快速适应新任务，极大降低了部署成本。

它构建了“预测-执行-感知-修正”的实时闭环：在生成每一步时，都会纳入实时传感器反馈进行修正，确保想象不偏离现实。

在真实机器人评测中，面对制作早餐、高精度插入、柔性衣物折叠等高难度任务，LingBot-VA平均成功率较顶级基线模型提升20%。

在仿真评测中，它更是将双臂协同操作的成功率推至 90%以上，刷新行业纪录。

至此，世界模型赋能具身操作的路径终于形成：Depth提供精准的眼睛，VLA充当通用的“大脑，World构建可无限试错的模拟环境，而VA则赋予实时将想象落地的“手脚”。

一个智能体从感知环境、理解任务、模拟推演到最终执行的完整能力链路，被完全打通。

项目网站：https://technology.robbyant.com/lingbot-va

模型：

https://huggingface.co/collections/robbyant/lingbot-va

https://www.modelscope.cn/collections/Robbyant/LingBot-va

数据集：https://github.com/Robbyant/lingbot-va

技术报告:https://github.com/Robbyant/lingbot-va/blob/master/LingBot_VA_paper.pdf

▍结语与未来

蚂蚁灵波此次四天四模型的体系化开源，背后是清晰的产业判断。

当前机器人行业面临的核心痛点是场景碎片化与硬件非标化。传统的为每款机器人、每个场景定制算法的模式，成本高、周期长、难以规模化。

LingBot系列提供的是一种 “基座+适配”新范式：通过开源经过海量真实数据预训练的通用模型与工具链，企业可以用更少的数据、更低的算力，快速适配自己的特定场景和机器人本体。

通过这次体系化的开源，可以看到蚂蚁灵波的战略定位也愈发明晰：不下场制造机器人躯体，而是专注于打造可规模化复用的最强大脑与核心能力，为行业提供一套标准的智能基座。

另一种程度上，开源也意味着以开放协作定义的新周期刚刚开始。那个属于通用具身智能的未来，正在以更清晰、更务实的路径加速到来。