蚂蚁灵波 LingBot-VA

蚂蚁灵波开源的视频-动作世界模型，边预测未来画面边输出机器人动作。

LingBot-VA 是蚂蚁集团旗下具身智能公司蚂蚁灵波（Robbyant）2026 年 1 月开源的机器人控制模型，论文题为 Causal World Modeling for Robot Control，收录于 RSS 2026。它走「世界动作模型」路线：用自回归扩散一段段往后生成，在同一序列里交替预测未来视频帧和动作；视觉与动作 token 共享潜在空间，由混合 Transformer（MoT）处理。执行时每段都用真实观测纠偏（闭环推演），并让动作预测与电机执行异步并行以降低延迟。视频编码沿用通义万相 Wan2.2 的 VAE。2026 年 7 月推出 2.0 版，改为从零因果预训练并采用稀疏 MoE 骨干。

例子官方报告在 RoboTwin 2.0 的 50 个双臂仿真任务上，简单/困难设置成功率分别为 92.9% 和 91.6%，LIBERO 平均 98.5%。

也叫

LingBot-VA、LingBot-VA 2.0

相关

世界动作模型、世界模型、混合 Transformer 架构、异步推理、自回归视频生成、蚂蚁灵波

来源

arXiv 2601.21998: Causal World Modeling for Robot Control
GitHub: Robbyant/lingbot-va
arXiv 2607.08639: Native Video-Action Pretraining for Generalizable Robot Control (LingBot-VA 2.0)

信息截至

2026-07