继开源 LingBot-Depth、LingBot-VLA 及 LingBot-World 后，蚂蚁灵波科技宣布开源具身世界模型 LingBot-VA。目前，LingBot-VA 的模型权重、推理代码已全面开源。

根据介绍，LingBot-World 通过在仿真或真实数据中学习世界的动态规律，构建一个可预测的“内部世界”。首次提出自回归视频-动作世界建模框架，将大规模视频生成模型的能力与机器人控制深度融合，模型在生成“下一步世界状态”的同时，直接推演并输出对应的动作序列，使机器人能够像人一样“边推演、边行动”。

LingBot-VA 的核心思想，是构建一个统一的、自回归的视频-动作生成模型。在每一个时间步，模型不仅要根据历史信息预测出下一帧的视频画面（Video），还要同步生成驱动机器人执行该画面的动作指令（Action）。

核心架构与机制

• Mixture-of-Transformers (MoT) 架构：采用 MoT 架构，实现了视频处理与动作控制两种模态的深度融合与协同处理。

• 闭环推演机制：为了避免模型在连续生成中偏离物理现实（即“幻觉”），LingBot-VA 在每一步生成时，都会将真实世界传感器（如摄像头）的实时反馈纳入考量，形成一个“预测-执行-感知-修正”的闭环，确保持续生成的画面与动作始终与物理现实对齐。

• 异步推理与持久化：为了突破大规模视频模型在机器人端侧部署的算力瓶颈，设计了异步推理管线，将动作预测与电机执行并行化处理。同时，引入基于记忆缓存的持久化机制与噪声历史增强策略，使得模型在推理时仅需更少的生成步骤，即可输出稳定、精确的动作指令。

这一系列设计，使得 LingBot-VA 在拥有大模型深刻理解能力的同时，也具备了在真实机器人上进行低延迟控制的响应速度。

在多项真实机器人评测中，LingBot-VA 展现出对复杂物理交互的强适应能力。面对长时序任务（制作早餐、拾取螺丝）、高精度任务（插入试管、拆快递）以及柔性与关节物体操控（叠衣物、叠裤子）这三大类六项高难度挑战，仅需 30~50 条真机演示数据即可完成适配，且任务成功率相较业界强基线 Pi0.5 平均提升20%。

在仿真评测中，LingBot-VA 在高难度双臂协同操作基准 RoboTwin 2.0 上首次将成功率提升至超过 90%，在长时序终身学习基准 LIBERO 上达到 98.5% 平均成功率，均刷新了行业纪录。