LingBot-VLA 2.0 是蚂蚁集团灵波科技于 2026 年 7 月开源的新一代具身基座模型，6B 参数，Apache 2.0 协议，技术报告挂在 arXiv（2607.06403）。 它的核心叙事可以用一个词概括：务实。它不追求在某个单一任务上刷出最高分，而是试图回答一个更工程化的问题——一个 VLA 基座模型，如何在 20 种形态各异的真实机器人上，以可接受的推理延迟和部署成本，完成从“双臂桌面操作”到“全身移动操作”的跨越。

---

问题意识：从“双臂”到“全身”，统一动作空间是真正的门槛

LingBot-VLA 1.0 的能力边界在双臂操作。但真实世界的家务和产线任务很少只动胳膊：拿饮料、放进篮子、拎起篮子走到冰箱前、开门、放入、关门——这条链路上底盘移动、腰部转向、头部朝向、灵巧手抓取必须协同。不同机器人的关节数量、自由度定义、传感器配置完全不同，要让一个模型迁移到 20 种本体上，就必须先把它们“翻译”到同一个动作语言里。

LingBot-VLA 2.0 的解法是一套 55 维统一全身动作空间：机械臂 14 维、末端执行器 14 维、夹爪 2 维、灵巧手 12 维、腰部 4 维、头部 2 维、移动底盘 3 维，另留 4 维保留位。每种机器人通过一个 robot config YAML 把自己的原生控制接口映射到这 55 维槽位上，模型因此可以在同一个表示空间里同时学习单臂、双臂、双足人形、轮式底盘等不同形态的数据。这个设计的代价是维度冗余，但换来的是跨本体的可训练性和可迁移性——而这正是“基座模型”一词的实际含义。

---

三个关键机制：MoE 动作专家、Dual-Query 蒸馏、预测性监督

MoE 动作专家解决的是“容量与干扰”的矛盾。 55 维动作空间要同时容纳夹爪闭合、灵巧手抓取、底盘移动这些物理语义差异极大的控制模式。如果用一个稠密网络硬扛，不同本体的梯度会互相干扰。LingBot-VLA 2.0 在动作专家中引入稀疏 MoE 层：细粒度专家分段负责不同的本体/任务模式，共享专家保留通用先验，在相同的激活计算预算下同时容纳专精能力和通用能力。后训练阶段还配合了 sequence-wise aux loss 和 router z-loss 来稳定路由，这是 MoE 训练中常见的工程手段，说明团队在可复现性上做了考虑。

Dual-Query 蒸馏给模型装上了“几何眼”和“未来眼”。 纯行为克隆的 VLA 容易变成“看一帧、动一下”的反馈式执行器，在长序列任务中缺乏前瞻性。LingBot-VLA 2.0 在视觉/文本 token 后附加了两组可学习的 query：一组蒸馏 LingBot-Depth 的几何信息（当前场景的空间结构），另一组蒸馏 DINO-Video 的语义时序信息（场景接下来会怎么演变）。这让模型在生成动作时，不只是在回应眼前画面，而是在同时编码当前几何和未来动态。发布权重本身是 native-depth 变体，意味着深度感知被整合进了预训练基座，而非事后挂载的外挂模块。

数据工程和模型架构被放在同等重要的位置。 6 万小时预训练数据不是简单堆出来的：从 9 万小时原始池中清洗出 5 万小时机器人轨迹（覆盖 20 种构型、17 个品牌），从 2 万小时第一人称人类视频中提炼出 1 万小时有效数据，过滤维度包括 video-state 对齐、运动质量、手轨迹重建等。这种双流分阶段过滤的思路，本质上是在回答一个和 WALL-OSS 0.5 类似的问题：预训练数据的“质量对齐”比“小时数”更能决定下游能力。

---

性能：Generalist 设定下的领先，以及它的边界

LingBot-VLA 2.0 的评测设计有一个值得注意的细节：所有参评模型都以单一通用模型（generalist）部署，没有针对特定任务做专项微调。这和“每个任务训一个 specialist 再拼榜”的做法完全不同，更接近真实部署场景。

在上海交通大学 GM-100 双臂操作基准上，LingBot-VLA 2.0 在 AgileX Cobot Magic 和 Galaxea R1 Pro 两个平台上，平均任务进度分和成功率均领先 π0.5 与 GR00T N1.7。具体数字上，在 AgileX Cobot Magic 上达到 66.2 进度分 / 34.4 成功率，相比 LingBot-VLA 1.0 提升 8.0 / 4.4 分。在长程移动操作评测中（方舟机械臂+松灵底盘、星尘智能 S1 绳驱轮式人形），它在跨域场景中的任务进度分和成功率同样领先 π0.5，优势在需要连续多步子任务推进的场景中更为明显。

但需要看清的是：这些结果是在其设定的评测框架内取得的，GM-100 的绝对成功率数字（34.4%）本身说明双臂通用操作离“可靠部署”仍有距离；长程移动操作的对比对象主要是 π0.5，跨更多本体的独立验证尚未充分展开。工程落地效率方面，RTX 4090 上推理延迟低于 130ms，这是它宣称的“商业可行性门槛”；2026 年 9 月加入的 Distributed Muon 优化器将单节点 H20 后训练速度提升了 37.6%，对实际微调部署有直接意义。

---

开源程度与在 VLA 生态中的位置

LingBot-VLA 2.0 的开源链路在同类中属于完整的一档：6B 预训练权重（Hugging Face / ModelScope）、技术报告、训练代码、LeRobot 后训练范例（RoboTwin 2.0 50 任务）以及 deploy.lingbot_vla_v2_policy 真机部署入口全部公开，Apache 2.0 协议。它建立在 VeOmni 代码库之上，依赖 Qwen3-VL-4B-Instruct、MoGe-2、LingBot-Depth 和 DINO-VIDEO 作为骨干/教师组件。

把它放进当前开源 VLA 格局里看，LingBot-VLA 2.0 的独特站位是“跨本体全身操作”与“工程可部署性”的交汇点：π0.5 在流匹配连续控制的精细度上有深厚积累，GR00T N1.7 在 NVIDIA 工具链和人形工程链路上最强，OpenVLA 是离散 token 的教学基线，而 LingBot-VLA 2.0 的核心贡献在于用 55 维统一动作空间加 MoE 动作专家，把“一个模型控制多种机器人全身自由度”这件事在 6B 参数、130ms 延迟的预算内做到了可复现、可微调、可部署。它的局限也同样清晰：绝对成功率仍有提升空间，长程移动操作的独立验证范围有限，MoE 路由的稳定性和跨本体泛化的深度还需要更多第三方复现来确认。

如果要用一句话定位它：LingBot-VLA 2.0 不是在问“VLA 能做什么”，而是在问“VLA 怎么才能真的装进不同机器人的身体里干活”——它的答案是用统一动作槽位容纳异构本体，用 MoE 隔离专精与通用，用预测性蒸馏给动作赋予前瞻性，然后用完整的开源链路把这条路交给社区去验证。