螞蟻集團 Robbyant 開源 LingBot-VLA 2.0：6B 跨本體視覺-語言-動作模型

LingBot-VLA 2.0 是一個基於 Apache-2.0 授權的開源視覺-語言-動作模型，參數量 6B。它在大約 6 萬小時的數據上進行預訓練，包括 5 萬小時的機器人軌跡（涵蓋 20 種機器人配置）和 1 萬小時的第一人稱人類視頻。模型的關鍵設計是將每種本體映射到一個統一的 55 維規範動作空間，覆蓋機械臂、靈巧手、腰部、頭部和移動底座。此外，它採用了 token 級別、無輔助損失的混合專家（MoE）動作專家來擴展容量，並通過來自 LingBot-Depth 和 DINO-Video 的雙查詢蒸餾來引入幾何和時間監督，實現未來感知控制。在通用基準 GM-100 上，LingBot-VLA 2.0 在兩個評估平台上都優於 π0.5 和 LingBot-VLA-1.0。 對於從事機器人操控的開發者和研究人員，LingBot-VLA 2.0 的開源和跨本體能力降低了在多種機器人上部署統一模型的門檻。其統一的動作空間意味著同一個模型可以控制不同形態的機器人，而無需針對每種硬體從零開始訓練。此外，無輔助損失的 MoE 設計在不引入額外平衡開銷的情況下擴展了模型容量，對於希望在大規模機器人數據上訓練更強模型的團隊尤其有價值。