Robbyant Releases LingBot-VLA 2.0: An Open-Source 6B Vision-Language-Action (VLA) Model for Cross-Embodiment Robot Manipulation

螞蟻集團（Ant Group）旗下 Robbyant 團隊正式發表開放原始碼的 Vision-Language-Action（VLA）基礎模型 LingBot-VLA 2.0，該模型擁有 6B 參數，並同步公開技術報告、Apache-2.0 授權程式碼庫以及模型權重。LingBot-VLA 2.0 專為跨實體（cross-embodiment）機器人操作任務設計，目標是解決當前 VLA 模型在實驗室環境表現出色、但在真實部署時容易失效的常見落差。 研究團隊指出，LingBot-VLA 2.0 在先前版本基礎上，沿三大實務方向進行強化：泛化能力、擴增動作空間、以及預測動態建模。這些突破的關鍵在於高品質大規模資料的處理、統一的動作表示法、稀疏混合專家（Mixture-of-Experts, MoE）架構，以及創新的雙查詢蒸餾技術。 在資料層面，團隊從零打造全新的資料處理管線。他們蒐集約六萬小時的預訓練資料，包含五萬小時的機器人操作軌跡，涵蓋 20 種不同的機器人配置（從單臂平台到全尺寸人形機器人均有）；以及一萬小時的第一人稱人類操作影片。原始資料量其實更大，約有九萬小時機器人資料與兩萬小時人類影片，但團隊透過嚴格的過濾機制，最終只保留高品質樣本。過濾方式包含計算三階加速度（jerk）、速度與加速度 Z 分數，剔除平滑度異常或靜態訊號超過 95% 的片段；並以每個機器人的 URDF 模型回放檢查狀態一致性，同時移除模糊、遮擋、掉幀與多視角未對齊的問題。人類影片則先經 VLM 過濾，再進行 egocentric SLAM 與 MANO 手部姿態重建。 自動化標註採用視覺語言模型 Qwen3.6-27B，將每個影片分割為連續子任務，並從 18 個動作類別（包含 15 種基本動作加上轉換、待機與其他）中指定一個原子動作。在整個資料集中，移動（move）與轉換（transit）是最常出現的動作類別。 為了讓單一模型能操控不同型態的機器人，LingBot-VLA 2.0 設計了 55 維的標準化動作空間，同時適用於狀態與動作。這個向量包含手臂關節位置（14 維）、末端執行器姿態（14 維，每個以 XYZ 加上旋轉四元數表示）、夾爪位置（2 維）、手部關節位置（12 維）、腰部位置（4 維）、頭部位置（2 維）、移動訊號（3 維）以及保留維度（4 維）。如果機器人缺少某個部件，對應維度就補零。因此，一個模型即可控制手臂、夾爪、靈巧手、腰部、頭部以及移動底盤等多種部件。 在動作專家部分，模型以稀疏 MoE 層取代傳統的前饋網路。每個 MoE 層包含一個共享專家以及多個路由專家，每次推理只啟動 top-K 專家，維持計算量在固定範圍。每個專家採用 SwiGLU MLP，中間維度較小。路由策略參考 DeepSeek-V3 的設計，以 sigmoid 為基礎且不使用輔助損失；透過每個專家的偏差項來平衡負載，而路由信心度則來自模型原有的無偏親和度分數。在相同有效參數條件下，MoE 模型的訓練損失比密集基線更低，在 GM-100 任務上的驗證動作誤差也更小。 真實世界的機器人操作需要預先判斷下一步，而非僅對當前畫面做出反應。為此，團隊在視覺與文字 token 外加入兩個可學習查詢：Qt 負責目前的觀察，Qt+T 負責未來的觀察（其中 T 為動作區塊大小）。這兩個查詢分別由兩位教師模型監督：LingBot-Depth 提供深度估測的幾何線索，DINO-Video 則提供具時間基礎的語義先驗。DINO-Video 以 DINOv3 為骨幹，加入區塊級因果時間注意力與 3D-RoPE，並在超過五百萬個影片片段（涵蓋網路、第一人稱與機器人資料）上訓練。在 LARYBench 評測中，DINO-Video 於四項指標中有三項領先。 在通用操作能力方面，Robbyant 採用 GM-100（Great March 100）雙臂基準進行評估。模型在每個機器人平台上同時訓練九項任務，並以進度分數／成功率呈現。在 AgileX Cobot Magic 平台上，LingBot-VLA 2.0 達到 66.2/34.4，優於 GR00T N1.7（36.3/17.8）及 π0.5（59.1/32.2）。在 Galaxea R1Pro 平台上同樣領先其他模型。 在長期移動操作測試中，模型分別在領域內（in-domain）與分布外（OOD）設定下進行評估。使用 Astribot S1 執行冰箱分類任務，領域內成功率為 60.0%，分布外仍有 13.3%；相比之下，π0.5 的領域內成功率 46.7%、分布外僅 6.7%。使用 Cobot Magic-ARX X5 進行爐台清潔，領域內成功率 66.7%、分布外 40.0%，同樣超越 π0.5。進步幅度最大的任務集中在需要精確物件定位的場景，例如 AgileX 平台的「取回鑰匙圈」任務，成功率從前一版的 60.0% 一舉躍升至 100.0%。不過，部分任務仍存在進度分數與成功率之間的差距，顯示在最後的精準放置或釋放步驟仍有改善空間。 LingBot-VLA 2.0 已透過 GitHub 釋出，提供完整的安裝、下載與部署腳本。開發者可使用 Python 3.12 與 PyTorch 2.8.0 等環境，下載模型權重後即可在真實機器人上執行策略伺服器。模型也支援 LeRobot v2.1 或 v3.0 資料集進行後訓練，例如可針對 RoboTwin 2.0 的 50 項任務進行微調。擴增後的動作空間讓模型能夠對應多元的實際應用，如使用 Astribot S1 進行廚房移動操作（開門、取物、放置），或 Cobot Magic-ARX X5 進行爐台清潔（抓取海綿、擦拭、工具重定位）。GM-100 任務中還包括雞蛋包裝、工具包裝與積木分類等雙臂作業。此外，Unitree G1、Fourier GR-2 與 AgiBot A2 等配備 12 自由度靈巧手的機器人，也能直接使用此模型進行控制。 LingBot-VLA 2.0 的開源釋出不僅展示了 VLA 模型在跨實體機器人操作的可行性，更透過資料品質控管、統一表徵、高效架構與預測蒸餾等技術，為後續研究與產業應用提供了堅實基礎。Robbyant 團隊表示，將持續最佳化模型在精準操作環節的表現，並期望社群共同推動 VLA 模型在真實世界中的廣泛部署。