全自主预训练世界动作模型落地，具身大脑告别“拿来主义”

蚂蚁灵波“具身原生”周迎来压轴之作。

7月10日，蚂蚁灵波科技发布LingBot-VA 2.0，全球首个全自主预训练的世界动作模型。

尽管名字比较长，但这个模型做的事情比较具体：基于自回归架构从零开始进行具身原生预训练，从数据、训练目标到架构，全部按照机器人在物理世界完成任务的需要从头设计，不再依托数字世界模型能力的"嫁接"，而是从动态建模、因果预测、实时执行等与环境交互的原始需求出发，进行原生设计，真正具备了像人一样"边推演、边行动"的通用控制能力。

综合一下大家的评价，LingBot-VA 2.0就是不用“借脑”，而是在“娘胎中重新造大脑”。

实际上，最近半年，具身智能和世界模型是机器人行业融资最猛的两个方向。

据IT桔子数据，2026年上半年，国内具身智能赛道融资935亿元，比2025年上半年翻了5倍，融资交易同比增长137%。其中，大脑和世界模型是仅次于机器人本体的核心投融资领域，合计融资超过145亿元。

半年近1000亿砸进具身智能，所有人都在喊世界模型。

然而，钱在涌，但“世界模型”、“具身智能”、“物理AI”这些概念的边界越来越模糊，连做端侧AI芯片、智能驾驶，都开始与这些新概念结合，但最终机器人量产落地和规模化部署依然面临瓶颈。

换句话说，大家都在喊世界模型，做的根本不是一个东西。很多所谓世界模型，只是视频生成模型，或者面向数字世界的可交互生成系统。

对此，蚂蚁灵波团队重新打造VA世界动作模型LingBot-VA 2.0，发表研究成果论文《Native Video-Action Pretraining for Generalizable Robot Control》，利用真实数据能力解决世界模型背后真正的模型预训练以及具身智能落地问题。

截至目前，蚂蚁灵波本轮共发布六款新模型：

• 空间感知LingBot-Depth 2.0
• 面向空间感知的视觉基础模型LingBot-Vision
• 具身基座模型LingBot-VLA 2.0
• 世界模型LingBot-World 2.0
• 面向具身智能的视频基础模型LingBot-Video
• 世界动作模型LingBot-VA 2.0

LingBot“六龙珠”合起来，共同构成了蚂蚁灵波具身原生全栈解决方案：让机器人看得更清楚、想得更明白、干得更利索。

7月10日下午举行的沟通会上，蚂蚁灵波科技CEO朱兴表示，具身智能阶段的核心方向就是把具身能力和生活服务场景结合，但当前具身智能落地最大的门槛是三类泛化能力——环境泛化、任务泛化、机器人构型泛化，这是纯实验室研发无法解决的问题，本次发布的蚂蚁灵波LingBot 2.0系列，核心就是打造“具身原生”，是今年上半年落地踩坑发现的能力短板、加上团队在具身原生方向的技术突破融合迭代的成果。

“具身智能的基础是数据，谈那么多模型架构，背后数据达不到，数据起不来，无论是规模、质量还是分布，模型架构都是空中楼阁。”朱兴称。

蚂蚁灵波首席科学家沈宇军早前也给出一个判断是：机器人真正需要的具身世界模型，必须能够接受动作输入、预测状态变化，并最终服务于物理世界中的感知、操作、评测和控制闭环。

“数字世界要求高清，物理世界未必需要；数字世界可以慢，物理世界却要求极快。”沈宇军指出。

显然，具身智能的大脑竞赛，已经开始了。

有了VLA，为什么还要做VA模型？

在讲LingBot-VA 2.0模型之前，先要讲清楚一个点。

蚂蚁灵波已经有VLA（视觉-语言-动作）和世界模型了，为什么还要去做VA世界动作模型？

实际上，当前数字世界的AI，大部分隐身于屏幕之后。当你打开浏览器或者AI智能体产品，用API和软件，AI可以总结文档、编写代码、生成图像，还能对海量信息进行推理。

然后，当浏览器标签页关闭，电脑和手机锁屏，AI也随之消失。

所以，数字世界的AI了解互联网、了解你的文档和信息整理，但它并不了解人类的物理世界。比如，AI并不知道下雨了门窗关没关、玻璃杯和塑料杯的手感差异。

但随着生成式AI、VLA、世界模型等技术加速演进，AI正在走向物理世界，比如帮你干活、拿物品以及实现日常生活的方方面面工作。

而过去几年，具身智能能跑这么快，很大程度是在吃大语言模型（LLM）的红利。

大语言模型让机器人终于能听懂人话了；视觉语言模型帮它认出东西、看懂场景；多模态模型又把眼睛、嘴巴和手脚串了起来；VLA沿着这条路一路走下来，是目前最成熟、离落地最近的一条技术路线。

但VLA在最开被设计出来的时候其实是反应式策略，仅输入当前信息、语言，直接输出下一步动作，基于静态图像和文本VLM进行预训练，不预测场景未来会如何变化，而且没有连续运动、物体交互、物理因果信息。

具身智能行业的一个共识在于，想要实现通用智能机器人，就需要同时解决通用数据、泛化技术能力、降低成本问题。

这些是未来具身智能大脑和物理AI技术发展的重要思路。

而相较于VLA和世界模型，VA的核心在于实现动作和场景预测。

今年1月，蚂蚁灵波科技发布具身世界模型LingBot-VA1.0，首次提出自回归视频-动作世界建模框架，将大规模视频生成模型与机器人控制深度融合，模型在生成“下一步世界状态”的同时，直接推演并输出对应的动作序列，使机器人能够像人一样“边推演、边行动”。

当LingBot-VA 1.0开源之后，英伟达等海外头部团队集体跟进VA世界模型赛道，印证模仿学习路线。

不过，当前传统VA模型基于通用视频生成组件改造，仅通过微调改造为因果模型，依赖少量机器人数据，损耗网页大规模预训练学到的通用先验，依然缺乏缺少物理、语义、动力学信息，而且闭环控制推理速度不足，这种直接用视频视频生成模型无法直接复用于物理环境。

因此，今天，蚂蚁灵波推出LingBot‑VA 2.0，放弃了“通用视频模型后期改造”的补丁思路，重新设计整套架构。

对于VLA和VA两个方向，沈宇军在今天进一步解释称，蚂蚁灵波认为，当下全行业集中走VLA路线本质是务实的落地选择——VLA和VA底层数据共通，但VLA能最快跑通真实场景，最大价值是靠落地反向定义“什么是有效数据”，避免闭门堆数据、路线看似正确却落不了地的死局。

沈宇军强调，VA和VLA各有优劣，二者都不是具身智能的终局，未来一定会诞生1+1>2的具身原生新架构，但这个新架构没法在纯数字世界里闭门研发出来，必须等物理世界真实落地的数据积累到阈值才会出现，这也是蚂蚁灵波现在双路线并行、死磕真实场景落地的底层逻辑。

从零开始的VA-2.0，泛化能力远超π0.5

LingBot‑VA 2.0是一个从零构建、专为具身智能设计的视频‑动作基础模型，通过引入语义视觉-动作分词器、增强型异步推理方案等技术，在真实世界部署验证。

我看完论文之后发现，LingBot-VA 2.0其实主要做了四件事：

第一件：让机器人在“想”的时候，画面和动作是一套语言。

以前的VAE只管重建画面，LingBot-VA 2.0引入语义视觉-动作分词器（Tokenizer）作为全新的视觉编码器，在重建之上多做了两件事：

把视觉潜变量对齐到冻结的视觉基础模型（Perception Encoder）做语义对齐；以及通过逆动力学+前动力学从连续潜变量里无监督地提取“潜动作”。

结果是，世界状态和动作落在同一个语义空间里。连没标注的网络视频都能提供动作相关的监督信号，不需要每条数据都配人手标的动作标签，视频本身就够了。

第二件：从零开始做因果预训练。

很多模型是先拿双向架构训练，再改成因果架构去使用。但问题是，改完之后会有灾难性遗忘，训过的东西忘了。

LingBot-VA 2.0直接从零开始用因果架构训，大规模网络数据的先验以因果形式原生获得，不需要后续改造。

第三件：MoE骨干，大模型的小推理开销。

视频模型用稀疏MoE，128个路由专家选8个，和DeepSeek-V3/Moonlight那套无损负载均衡是一个思路；动作专家保持dense。

结果在于，130亿总参数，推理时每token只激活约2.5B。消融实验里，MoE-13B-A1.9B的训练loss和Dense-5B接近——用不到五分之一的激活量，跑出了五分之一参数量的dense模型的效果。

另外加了一个多块预测（MCP）模块，让轻量级辅助模块从主模型表征里预测若干未来潜在块，在训练过程中提供密集的时间监督信号。

第四件：边做边想，而不是想完再做。

这个叫Foresight Reasoning异步推理，核心是预测流和执行流异步。

机器人执行当前动作块的时候，预测流已经基于“当前动作+学到的forward动力学”想象下一帧，解码下一组动作。预测延迟藏在动作执行背后。

关键细节在于，每次真实观测回来，用真实潜变量覆盖想象的潜变量。先预测再修正，避免开环漂移。

冷启动时初始化KV缓存、预计算第一个动作块。循环过程中，执行器跑当前动作块，真实观测进入队列；推理分支拿到观测后重新锚定KV缓存，追加当前动作，通过FDM基础模型想象视觉结果，在执行停滞前预测下一个动作块。

除此之外，在数据层面，与第一代包含数千小时操作数据的LingBot‑VA机器人语料库相比，LingBot‑VA 2.0中的机器人阶段保留了相同的公开、半公开和内部采集轨迹的广泛混合，增加了数千小时的内部机器人演示。

技术报告显示，利用LingBot-VA 2.0，在RoboTwin 2.0双臂仿真中获得平均93.6分的成绩（Clean 93.8 / Randomized 93.4），超过LingBot-VA(92.2)、π0.5(79.8)、X-VLA(72.9)、Motus(87.9)等模型。

而在推理加速、Tokenizer消融、MCP消融等实验中，LingBot-VA 2.0实现领先。

“世界模型六小龙”第一梯队浮出水面

从行业来看，经历两年的竞争，具身智能和人形机器人赛道已经形成两条清晰分化路线：

宇树、优必选等企业以本体硬件自研+自有小模型为主，锁定自有机型闭环；

数百家企业都涌进具身大脑赛道，但多数厂商仅单一VLA模型输出，缺少从感知、决策到仿真、世界模型等全栈能力的闭环。

就在今年WAIC世界人工智能大会即将召开之际，“世界模型六小龙”将正式出道：

蚂蚁灵波、大晓机器人、极佳视界、无界动力、智元机器人、自变量机器人，直接进入了国内“世界模型”赛道的第一梯队。

作为世界模型六小龙之首，蚂蚁灵波科技自成立起锚定“通用具身大脑”定位，不自主规模化生产机器人本体，而且完整搭建LingBot全栈模型矩阵链路，形成行业少见的物理世界原生技术体系。

其中，模型层方面，蚂蚁灵波科技连续四天发布六个模型，包括LingBot-Vision、LingBot-Depth 2.0、LingBot-VLA 2.0、LingBot-Video、LingBot-World 2.0和LingBot-VA 2.0，覆盖了视觉基础、空间感知、灵巧操作、视频生成、世界预测和动作生成。

对应机器人完成任务的完整过程：先看清空间，再理解和预测环境，随后生成动作并持续调整。

基于强大的模型能力，蚂蚁灵波布局机器人适配、场景落地、模型部署、开源生态等具身智能产业生态。

适配层面，当前，蚂蚁灵波的LingBot-VLA 2.0已完成星海图、松灵、乐聚、睿尔曼等数十家主流人形和移动机器人本体厂商真机适配，区别于同类模型仅适配1-2款自有硬件的局限，从技术指标、适配广度等层面，独立于硬件厂商的通用大脑生态位，并搭建“模型+本体+数据”闭环，生态扩张速度显著领先同类通用模型厂商。

场景部署层面，蚂蚁灵波积极推动生态建设，联手生态伙伴一起在物流、工业、零售等行业开展商业试点。相关场景落地中的挑战，也会反向推动模型的迭代升级。

开源生态层面，区别于闭源、收费授权的竞品，蚂蚁的开源模型已经有很高的下载量，正快速吸引机器人厂商、开发者接入。

综合来看，基于技术性能、硬件生态覆盖、数据闭环能力、商业化落地四项核心指标，在万亿级具身智能产业高速扩张周期，拥有全栈技术、中立开放、完整数据闭环的蚂蚁灵波，正在快速拉开与其他通用具身大脑厂商的差距，向行业第一位置靠拢。

当具身智能公司开始建自己的数据集、做自己的数采训练、做自己的物理世界反馈回路，这三件事一旦跑通，具身智能会变成一条独立的技术路线，而不是大模型的一个应用场景。

正如沈宇军在香港MMLab读博时的导师、已故的商汤创始人汤晓鸥教授留下的那句话，“坚持原创，让AI引领人类进步”。

不把现成的VLA、VA路线当技术终局，扎进真实落地场景攒物理世界的原生数据，啃具身智能没人走过的硬骨头——蚂蚁灵波走的，正是这条原创具身智能的路。

从我们对CV、AI和具身智能经验来看：数据从物理世界回流的速度，会决定具身智能这条赛道的真实门槛。谁的场景先跑起来，谁的模型先拿到反馈，谁就比对手多一轮迭代。这一步，大模型时代的规模逻辑不一定管用，物理世界的累积优势才管用。