来源：量子位原文
速览
蚂蚁灵波发布 LingBot-VLA 2.0，一个面向复杂物理世界任务的开源视觉-语言-动作模型。量子位文章称，其预训练数据达到 60,000 小时，其中 50,000 小时来自机器人轨迹数据，10,000 小时来自第一视角人类操作视频。1
LingBot-VLA 2.0 的重点是「通用具身大脑」：同一套模型覆盖 20 多种机器人构型，从双臂扩展到头部、腰部、移动底盘和灵巧手等更完整动作空间。1
图片笔记要点
- 数据规模从 LingBot-VLA 1.0 的 20,000 小时扩展到 60,000 小时，并覆盖更多机器人形态、多视角、多任务和多动作模式。1
- 模型融合 LingBot-Depth 2.0，让机器人在处理灶台清理、调料收纳、冰箱收纳等任务时获得更强空间理解能力。1
- LingBot-VLA 2.0 引入未来深度预测和语义特征预测，让模型在生成动作时同时理解当前状态并预判后续空间关系。1
- 在 GM-100 多任务 benchmark 上，文章列出 LingBot-VLA 2.0 在多组任务中高于 GR00T N1.7、π0.5 和 LingBot-VLA 1.0 的结果；在 RTX 4090 上推理延迟低于 130ms。1
为什么值得看
具身智能的难点正在从单个机器人、单个任务，转向多身体、多场景和长序列操作。LingBot-VLA 2.0 把数据规模、动作空间和未来预测同时往前推了一步，代表开源 VLA 基座模型继续向真实家务和移动操作靠近。
图集说明
图 1 为原文封面；图 2-4 为原文中的数据规模、机器人构型和技术/评测相关配图，均来自量子位原文。
Comments
Sign in to comment.