编辑｜冷猫

随着 WAIC 2026 上海大会的今天临近，具身智能作为今年最核心的具身议题之一，其技术路线之争愈发激烈。大模段预计展会将汇聚超两百家相关企业，型迈新阶聚焦于构建机器人的入具「大脑」。

今日，身原生蚂蚁灵波正式推出 LingBot-VA 2.0，今天这是具身行业首个「具身原生」预训练模型，为具身智能提供了一套全新的大模段技术答案。

https://mp.weixin.qq.com/s/73-7shonpfBBWqsTposzsw

什么是型迈新阶「具身原生」？

「具身原生」绝非营销噱头，而是入具一种根本性的设计哲学。它意味着模型从数据构成、身原生训练目标到架构设计，今天自第一步起便专为「机器人在真实物理世界中完成任务」而构建。具身

与复用数字世界中为内容创作而生的大模段视频生成模型不同，LingBot-VA 2.0 遵循另一种思路：让模型从第一个参数开始，就为物理世界而生。

技术报告：Native Video-Action Pretraining for Generalizable Robot Control
报告地址：https://github.com/Robbyant/lingbot-va/blob/main/LingBot_VA2_paper.pdf
项目页面：https://technology.robbyant.com/lingbot-va-v2

该模型基于自回归视频生成模型从零预训练，其核心逻辑可浓缩为一句话：「边推演、边行动」——即在预测世界下一步状态的同时生成动作。为实现这一目标的可用、通用与高效，蚂蚁灵波在训练目标与推理机制上进行了系统性创新。

LingBot-VA 2.0 总览

行业首个「具身原生」预训练模型

具身智能的预训练目标与普通视频生成模型存在本质差异：

• 普通视频生成模型学习的是「相关性」：给定几帧画面，推测后续画面「通常」的样子。
• 具身智能需要的是「因果性」：当前多数数字世界模型采用双向建模，利用过去和未来信息；而机器人执行任务是单向的，只能基于当前观测和历史状态决定下一步。

只有实现完美的因果性预测，机器人才具备自主决策能力，而非被动响应。LingBot-VA 2.0 将因果建模置于预训练核心，实现了预测范式与执行范式的对齐。尽管预训练难度更高，但模型从一开始便遵循机器人真实的执行逻辑，理解动作如何影响环境并驱动世界状态演化。

新一代 VAE：「语义」与「动作」的对齐

具身模型的一大痛点是「理解指令」与「生成动作」之间的落差，根源往往在于视觉 Tokenizer（变分自编码器 VAE）。VAE 负责将连续视觉信号压缩为离散表示，其压缩质量直接决定模型能否同时捕捉「语义」与「动作」。

LingBot-VA 2.0 引入新一代 VAE 架构，在压缩视觉信息时即实现「语义」与「动作」的对齐，使模型对文本指令的响应更准确，将「理解指令」顺畅转化为「执行动作」。

语义视觉 - 动作分词器

为解决世界理解与动作控制的对齐问题，LingBot-VA 2.0 采用了语义视觉 - 动作 Tokenizer（基于 ViT 自编码器）。在标准重建目标（像素、感知、对抗损失）基础上，新增两个关键目标：

1. 语义对齐：利用冻结的感知编码器（Perception Encoder）作为「老师」，在压缩视觉信息时引导隐变量向教师特征靠拢。既吸收片段级语义，又保留逐帧细节，使隐变量语义更丰富。
2. 隐动作抽取：冻结视觉 Tokenizer 后，训练一对逆动力学模型（IDM）和前向动力学模型（FDM）。IDM 从相邻两帧隐变量中解出低维「隐动作」；FDM 验证给定当前帧和「隐动作」能否重建下一帧。

关键突破：此过程无需任何动作标注。即使无标签网络视频，也携带了「动作相关」的监督信号。最终输出的视觉 - 动作隐变量直接成为训练目标，将世界状态与动作置于同一语义隐空间，打通了从「看懂」到「做到」的路径。

MCP：更远的预测视野

让模型理解「我的动作如何改变世界」是核心目的。然而，从零训练视频 - 动作模型存在隐蔽陷阱：

在教师强制（Teacher Forcing）训练中，若仅监督「下一个块（Chunk）」，在高帧率下相邻画面相似，模型易趋向于复制上一帧外观以降低损失。这种「近视」监督导致模型仅关注短期视觉连贯，无法学习真正的物理动力学。

LingBot-VA 2.0 借鉴 Next Forcing思路，引入多块预测（Multi-Chunk Prediction, MCP）机制：

多块预测（Multi-Chunk Prediction, MCP）

训练时，主干 DiT 挂载三个轻量辅助模块，分别负责更远的预测视野（默认未来 3 个片段）。这些模块串联成因果链：后一模块依赖前一模块输出，以近处预测指导远处预测。远处片段的梯度沿链回流至主干，强制隐变量组织成「轨迹级动力学」，避免短期视觉连贯陷阱。

显著收益：
* 在 RoboTwin 基准上，开启 MCP 的版本收敛更快、成功率更高。
* 在 50fps 高帧率下，训练 5k 步即比基线高出 29.7%成功率。
* 仅需 20k 步即可追平基线 45k 步的精度，实现 2.3 倍训练加速。

多块预测消融实验：RoboTwin 基准测试中不同训练步数对应的任务成功率变化。

部署优势：MCP 仅在训练期生效。部署时可移除辅助模块，主策略仍受益，不增加推理开销；也可保留用于并行预测，进一步降低闭环控制延迟。

全新的高效推理策略

Foresight Reasoning：异步推理策略

传统机器人控制遵循「观察-推理-执行-再观察」串行循环，模型延迟直接转化为控制延迟。

LingBot-VA 2.0 将链路拆分为两条异步推进的「流」：

1. 预测流：预测未来视觉隐变量及解码动作。
2. 执行流：机器人执行当前动作片段。

当机器人执行动作 $a_t$ 时，预测流已提前准备 $a_{t+1}$。模型思考时间被隐藏于机器人运动时间内，赋予机器人类似「老司机」的预判能力。

风险与解法：预测 - 校正机制
若预测流仅依赖自身想象，易偏离现实。LingBot-VA 2.0 采用「预测 - 校正」策略：每当真实观测帧返回，即编码为真实隐变量，覆盖 KV-cache 中的想象值，并结合已执行动作重新锚定上下文。下一次预测基于校准后的缓存出发，确保异步预测始终闭环。

前瞻推理（Foresight Reasoning）作为异步推理 - 执行流程。

直接收益：提升控制频率，使机器人在动态场景（如物体移动、环境干扰）中保持高成功率与鲁棒性，避免因「正在思考」而错失操作时机。

稀疏 MoE 架构重塑具身模型

预训练「懂世界」的底座需大模型容量，但需兼顾效率。LingBot-VA 2.0 引入稀疏 MoE 架构（与开源视频生成模型 LingBot-Video 策略一致）。

• 非对称放缩：视频专家在每个因果 DiT 块中将稠密前馈层替换为稀疏路由 MoE，动作专家保持稠密。路由沿用 DeepSeek 系列验证的稀疏扩展思路。
• 无辅助损失负载均衡：每步训练后，根据各专家实际分到的 Token 数量微调选择偏置，平衡负载，不注入额外均衡梯度，避免干扰主任务优化。

MoE-13B-A1.9B 视频流模型与 Dense-5B 基线模型的训练损失对比。

在相同训练时间下，两者损失曲线几乎重合，证明稀疏视频流在扩大容量的同时，未引入额外优化代价。

推理加速

为将模型部署至真实机器人，团队实施了三层推理优化：

1. 采样步数蒸馏：将迭代去噪蒸馏为一致性模型，视频与动作专家均压至 2 步，单片段推理时间从 927ms 降至 466ms。
2. 模型层：采用 FP8 精度与 TensorRT 编译替换原生 DiT 前向，降至 369ms。
3. 序列层：针对自回归 Rollout 的注意力开销，采用分页/变长 KV-cache 管理配合 FlashInfer 算子，降至 272ms。
4. 系统层：摊薄主机端准备、内存分配和同步开销，最终压至 142ms。

推理加速：不同加速技术下的推理时间及异步控制频率对比。

最终成果：端到端推理时间从 927ms/片段降至 142ms/片段，异步控制频率从 35Hz 提升至 225Hz，实现 6.5 倍端到端推理加速。这是从「能演示」到「能干活」的关键跨越。

实验结果

上述设计叠加后，LingBot-VA 2.0 在双臂操作基准 RoboTwin 2.0上取得最佳成绩：

• 平均成功率 93.6%（干净与域随机设置下）。
• 高稳健性：从干净环境切换至域随机环境，成功率仅下降 0.4 个百分点，证明模型在视觉和物理条件变化时仍能稳定完成任务。

RoboTwin 2.0 双臂操作成功率（%）。

真机部署表现：
团队在自建基准上，仅采集 20 条遥操作示范训练通用策略，并部署至所有任务。结果显示，LingBot-VA 2.0 在成功率和任务进度上均表现优异，尤其在需要长程视觉追踪和闭环纠错的任务中优势明显，策略能从执行中途失误中恢复。

真实世界部署结果：LingBot-VA 2.0 与代表性基线方法对比。

场景演示

1. 实时小球对战：流畅与人类玩家对战，展示对未来世界动态建模及物体运动预测能力，响应速度惊人。
   
   https://mp.weixin.qq.com/s/73-7shonpfBBWqsTposzsw

2. 精细物体操控：控制机器人横向捏起薯片而不碎，仅凭视觉输入实现精细粒度控制。
   
   https://mp.weixin.qq.com/s/73-7shonpfBBWqsTposzsw

3. 多机械手协作：同时控制多个机械手完成流水线装箱和日常收纳，依赖高频预测推理与实时控制部署能力。
   
   
   https://mp.weixin.qq.com/s/73-7shonpfBBWqsTposzsw

4. 情境学习（In-context Learning）：仅凭一段人类演示视频，无需参数更新或重训，机器人即可推断操作过程并迁移至新物体和未见任务组合。
   

决定未来的能力上限

过去两年，具身智能竞争聚焦于「颈部以下」（本体、关节、灵巧手等）。随着硬件门槛降低，竞争重心正转向「颈部以上」的「大脑」：跨本体、跨任务、跨场景的复用能力，以及在真实物理世界中稳定完成任务并自我进化的能力。

蚂蚁灵波的回答是：不在他人地基上打补丁，而是重新奠基，将物理因果从预训练第一步浇筑进去。

• 「通用嫁接」：承接今天。站在多模态大模型肩上，成熟可用，是当前最易规模化落地的路线。
• 「具身原生」：决定明天。不借用现成底座，从第一步起为物理世界重新训练，天花板更高。

2026 年 1 月，LingBot-VA 第一代开源时，「视频预测与动作生成的统一」尚属前沿。如今，英伟达 Cosmos、Google Gemini Robotics、Physical Intelligence 等顶级团队均在探索世界模型与 VLA 的结合，行业逐渐收敛于「视频级物理理解与连续动作生成紧密连接」的判断。

LingBot-VA 2.0 正是在此路径上迈出关键一步。

蚂蚁灵波首席科学家沈宇军博士在智源大会上指出，基座模型底层框架包含三层：

1. 底层：空间感知（视觉/触觉），获取原始物理信号。
2. 中层：动作执行，落实具体「动作」以与环境交互。
3. 顶层：环境反馈，探索虚拟训练场与高效仿真评测。

LingBot-VA 2.0 的「具身原生」路径从源头回应了这一挑战，通过围绕「物理世界因果交互」设计数据、目标与架构，深化模型对物理规律的掌握，提升泛化天花板。

具身智能的「大脑」需满足硬性条件：高频闭环控制、少量数据快速适配、物理变化下稳定、部署反馈沉淀能力。这些条件推动模型从「通用迁移」走向「具身原生」。

LingBot-VA 2.0 是这条漫长道路的新起点。正如语言模型历经数年才让机器「读懂」文字，智能走进物理世界的进程，才刚刚翻开第一页。