螞蟻靈波連續簽約隆盛唯睿、德馬科技等企業，具身大腦加速進產線
螞蟻集團旗下具身智能公司螞蟻靈波，正在加速其“通用大腦”的產業落地與價值兌現。近日，螞蟻靈波接連與隆盛科技（300680.SZ）控股子公司隆盛唯睿、物流裝備與解決方案提供商德馬科技（688360.SH）、德爾股份（300473.SZ）旗下機器人公司德邇象網等多家知名智能製造及現代物流企業達成深度戰略合作。基於自研的具身原生模型及雲端工具鏈，螞蟻靈波將攜手生態夥伴，共同攻關具身機器人在嚴苛工業與物流環境下的全新解決方案。
根據合作協議，在工業場景，螞蟻靈波作為核心具身模型提供方，將深度參與共建“隆盛唯睿具身智能機器人創新中心”，首期重點攻關工業上下料場景，未來為博世、寶鋼等全球工業製造龍頭提供智能化解決方案；靈波還將與德邇象網共同探索汽車製造車間數智化轉型。在物流場景，螞蟻靈波將通過工程化賦能、二次開發協同及新技術測試驗證，全面支持德馬科技等企業，攻關海量包裹的高速柔性分揀難題，並探索更加多元化的場景落地能力，提升實際落地效果。此前，螞蟻靈波已在線下藥房跑通“智慧藥房”連續揀藥方案。
在不久前的數貿會上，螞蟻靈波與阿拉伯數字經濟聯盟（AFDE）在技術模型、本地化場景適配與產業生態融合等方面達成了合作，為“一腦多機”在全球物理世界的規模化落地開啟了新階段。這一系列實質性合作，標誌著螞蟻靈波的商業化版圖正在加速拓寬。正在舉行的第二十六屆中國國際工業博覽會上，螞蟻靈波攜手多家行業生態夥伴，展示了藥房精準揀藥、智慧物流柔性分揀、工業產線上下料等多個真實場景的落地應用，憑藉高穩定性與強泛化能力引發業界廣泛關注。如現場展示了鈦虎與星塵智能兩款構型各異的機器人本體，它們同時搭載了靈波大腦LingBot-VLA 2.0，分別完成了高精度工業上下料與柔性分揀工作。
（圖：“工博會”上螞蟻靈波展示藥房、物流分揀、工業上下料場景應用實效）長期以來，適配成本是具身智能走向產業應用的一道關鍵門檻。機器人從一個場景轉向另一個場景，往往需要重新採集數據、訓練模型和調試系統；更換硬件後，還可能面臨新的適配工作。模型泛化能力不足與機器人硬件差異，使單點驗證難以直接複製到更多產線。對此，螞蟻靈波CEO朱興曾指出：靈波跳出單機調優的傳統思路，選擇從零訓練面向物理世界的具身基模，打造機器人的原生通用“大腦”。其自研的LingBot-VLA 2.0基礎大模型在預訓練階段就已適配17個品牌的20種機器人構型，率先在業內樹立了成熟的“一腦多機”工程標杆。
截至目前，螞蟻靈波開源模型在GitHub累計斬獲3.29萬顆star，穩居國內具身模型前列。海外主流技術社區也已實現對靈波模型的適配。LingBot-VLA、LingBot-VA 均已完成對全球最大機器人開發平臺 LeRobot 的生態適配，LingBot‑Vision 合入業界主流視覺骨幹模型庫 timm 主線。LingBot-World 成為全球首個同時獲得 vLLM、SGLang 兩大主流開源推理引擎支持的世界模型。
從智慧藥房的窄道穿梭，到工博會上的產線作業，再到密集簽下工業製造與智慧物流的標杆訂單，螞蟻靈波正以“領先模型+工程工具”的雙輪驅動，攜手行業夥伴攻克具身智能在真實場景中的“真問題”，將“一腦多機”應用到更多真實業務場景，加速具身機器人的規模化普及。
Related
相關文章
Google 開源 Harness²：遞迴代理程式框架，無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²，這是一個遞迴代理程式框架，透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言，重點很簡單：你的代理程式無需更強大的模型也能進步。重點摘要：規模為框架而非模型，訓練參數為0，包含8個可編輯的框架元件，版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv，模型呼叫則透過Vertex AI。GPU需求未公開。效能方面：一次改良步驟即可在3個基準測試中，提升所有4個模型與框架組合的表現。最佳成果：GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7（+11.5點）；最差表現：GLM-5搭配Codex在JobBench上僅提升1.2點（23.6至24.8）。什麼是Harness²？它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI：2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作，推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型（VLA）。該模型僅使用公開數據進行預訓練，並配備了輕量級的近期記憶功能。在三個分佈外基準測試中，僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊：規模：2.4B 參數（2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家）。記憶涵蓋最近 3 幀，間隔 1 秒。運行環境：在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入，編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供，暫無量化版本。性能：在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中，為公開數據預訓練的 VLA 模型中最優；在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017，DeepSWE 得分 77.0，並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017，這是其 V4.1-Flash 模型的新檢查點，現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash，並稱之為性能與成本的帕累託改進。同時，DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言，這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要：骨架參數 552B，另加 196B 的 Engram 參數；預填充階段每 token 啟用 8B 參數，解碼階段啟用 16B 參數；上下文長度達 1M tokens，最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重（763B 參數，FP8）採 MIT 授權。
2026年20款Jev替代方案：挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev，這是一款決策模型而非聊天機器人。使用者可定義允許的答案，Jev將回傳標籤、分數或是否的機率。約4週內，至少20款Jev替代方案相繼問世，來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要：規模範圍從287M（GLiNER2.5-multi-Decide）到35B-A3B（Mapika Decider），Jev規模未公開。執行環境：Von和Laya等編碼器可在CPU上運行，4B適配器適用24 GB GPU或32 GB Mac。效能：多數開源模型在困難推理上落後Jev，但在狹窄分類任務上數款與之匹敵或超越。最佳表現：Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億；阿里加碼AI硬件品牌，天貓、速賣通聯動；國行版蘋果AI有望12月上線，百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障！DeepSeek發放宕機補償，有人拿到3000元3.阿里加碼AI硬件品牌，天貓、速賣通聯動4.國行版蘋果AI有望12月上線，百度、阿里參與合作5.可靈AI新一代模型Kling 4.