蚂蚁集团发布 LingBot-VLA：双臂机器人操控步入“大模型时代”

蚂蚁集团近日正式发布了名为 LingBot-VLA 的视觉-语言-动作（VLA）基础模型。 该模型专注于现实世界中的机器人复杂操控，通过海量数据训练，实现了在不同形态机器人上的通用操控能力，标志着具身智能领域取得又一重要进展。

为了构建这一强大的模型，研发团队在 AgiBot G1、AgileX 等9种主流双臂机器人上采集了约2万小时的真实遥操作数据。 这些数据涵盖了丰富的动作序列，并由 Qwen3-VL 自动生成详细的语言指令，形成了一套高质量的预训练数据集。

LingBot-VLA 采用了创新的“混合 Transformer”架构。 它以 Qwen2.5-VL 作为多模态主干，能够同时处理多视角图像和自然语言指令。 与此同时，模型内置的“动作专家”分支会实时结合机器人的自身状态，通过条件流匹配技术，输出平滑且连续的控制轨迹，确保了双臂协作的精准度。

此外，针对传统模型在空间深度感知上的弱点，蚂蚁集团引入了 LingBot-Depth 空间感知模型。 通过特征蒸馏技术，LingBot-VLA 即使在传感器数据缺失的情况下，也能展现出卓越的3D 空间推理能力，在叠放、插入、折叠等精细化任务中表现尤为出色。

在包含100项挑战任务的 GM-100现实世界基准测试中，带深度感知版本的 LingBot-VLA 成功率达到17.30%，显著优于 π0.5和 GR00T N1.6等同类模型。 研究还发现，该模型具有极高的数据效率，仅需约80条特定任务的演示数据，即可快速适配新机器人。

目前，蚂蚁集团已将 LingBot-VLA 的全套训练工具包和模型权重正式开源。 该工具包针对大规模 GPU 集群进行了优化，训练吞吐量比现有主流框架提升了1.5至2.8倍。 这一举措将极大降低机器人大模型的开发门槛，推动具身智能技术向更多实际应用场景渗透。

论文：https://arxiv.org/pdf/2601.18692

via AI新闻资讯 (author: AI Base)

宇树开源 UnifoLM-VLA-0 大模型：为通用人形机器人注入“物理常识”

宇树宣布正式开源 UnifoLM-VLA-0大模型。作为 UnifoLM 系列中专门针对通用人形机器人操作设计的视觉-语言-动作（VLA）模型，它标志着机器人大脑从单纯的“图文理解”向具备“物理常识”的具身智能跨出了关键一步。

技术突破:从感知到行动的深度融合

UnifoLM-VLA-0旨在打破传统视觉语言模型（VLM）在物理交互中的局限性:

具身大脑进化:通过在机器人操作数据上的持续预训练，使模型能够理解物理世界的交互规律，而非仅仅停留在语义层面。

空间细节对齐:模型深度融合了文本指令与2D/3D 空间细节，显著增强了在复杂环境下的空间感知与位置推理能力。

动力学约束:集成了动作分块预测及前向/逆向动力学约束，实现了对长时序动作序列的统一建模。

研发架构:基于 Qwen2.5-VL 的二次进化

宇树利用系统化清洗后的多任务数据集对模型进行了打磨:

核心基座:基于 Qwen2.5-VL-7B 开源模型构建。

高效训练:仅利用约340小时的真机数据进行离散动作预测训练，便实现了高质量的任务泛化。

性能评估:在空间理解基准测试中，其表现不仅远超基座模型，在特定模式下甚至可比肩 Gemini-Robotics-ER1.5。

实战表现:单一策略搞定12类复杂任务

在宇树 G1人形机器人平台上的验证结果令人瞩目:

多任务通用性:该模型在同一策略网络（checkpoint）下，能够稳定完成包括物体抓取、放置等在内的12项复杂操作任务。

强大的鲁棒性:真机实验表明，即使在面对外部扰动时，机器人依然能保持良好的执行稳定性与抗干扰能力。

目前，宇树已在GitHub及项目主页完整公开了模型代码与相关资料，旨在助力全球开发者共同推动通用人形机器人的商业化落地进程。

via AI新闻资讯 (author: AI Base)