在机器人操控领域，一个能跨任务、跨平台灵活适配，还兼顾成本效益的视觉-语言-动作（VLA）模型，一直是行业追求的目标。

28日，蚂蚁灵波科技开源具身大模型 LingBot-VLA，凭借海量真实数据训练、卓越的泛化能力和超高训练效率，为机器人通用化操控带来了全新突破。

01 三大优势领跑VLA模型赛道

LingBot-VLA的底气，来自于包括AgileX C OBOT MAGIC在内的9种主流双臂机器人构型的真机操作数据。团队累计采集了近2万小时的真实世界操控数据，涵盖摆盘、插花、拧螺丝等多样化任务场景。

不同于以往依赖仿真数据的模型，LingBot-VLA的训练数据全部来自真实机器人操作。这让模型学到的技能更贴近实际应用需求。更关键的是，实验证明随着数据量从3000小时提升到20000小时，模型下游任务成功率持续增长，没有出现饱和迹象。这意味着更多数据还能持续赋能模型性能。

02 真实场景超能打

为验证模型的真实能力，团队搭建了严苛的测评体系。他们选取AgileX COBOT MAGIC等三款主流机器人平台，用包含100个精细任务的GM-100基准测试集开展测试。

实验表明，LingBot-VLA 在下游任务中能够使用更少的数据，达到超越π0.5的性能；并且性能优势会随着数据量的增加而持续扩大。目前，LingBot-VLA 已与松灵等机器人厂商完成适配，验证了模型在不同构型机器人上的跨本体迁移能力。

这组数据充分证明，LingBot-VLA不仅能在实验室“跑分”，更能在真实场景中稳定输出。

03 训练效率狂飙1.5-2.8倍，省钱又省时

大模型训练的算力成本一直是行业痛点，而LingBot-VLA在这方面也交出了高分答卷。

团队开发了一套高度优化的训练代码库。在8卡GPU集群上，这套代码库能实现单卡每秒261个样本的吞吐量。相比现有的VLA专用代码库，训练速度提升了1.5-2.8倍。

效率提升的秘诀在于两点：

一是采用分片数据并行策略，大幅降低显存占用和通信开销；

二是通过算子融合、灵活注意力机制优化，减少计算冗余。这让模型训练周期大幅缩短，部署成本显著降低。

04 LingBot-VLA的底层架构

LingBot-VLA的出色表现，离不开精心设计的技术架构：

1. 混合Transformer架构：模型以Qwen2.5VL预训练视觉语言模型为基础，搭配独立的“行动专家”模块。两种模态通过共享注意力机制协同工作，既保证语义理解能力，又能精准生成机器人行动指令。

2.连续行动建模：采用流匹配（Flow Matching）技术，让机器人生成的动作更流畅平滑。这避免了机械臂“卡顿”“抖动”等问题。

3.空间感知增强：通过视觉蒸馏技术，将深度信息融入模型。这弥补了传统VLA模型空间推理能力的短板，让机器人在抓取、堆叠等精细操作中更精准。

05 开源共享：推动机器人学习领域共同进步

此次开源，Robbyant团队不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。Robbyant团队希望这一举措可以大幅压缩模型训练周期，降低商业化落地的算力与时间门槛，助力开发者以更低成本快速适配自有场景，提升模型实用性。

基于领先的LingBot-VLA模型，松灵也将与蚂蚁灵波科技继续携手，探索更多商业场景的落地应用，促进具身基础模型生态发展。

目前Robbyant团队的模型、后训练代码、技术报告、以及和上海交大共同打造的 GM-100  Bench-mark已全部开源，欢迎大家访问Robbyant团队的开源仓库。

相关资源可通过以下链接获取：

项目主页：

https://technology.robbyant.com/lingbot-vla

模型：

https://huggingface.co/collections/robbyant/lingbot-vla 

https://www.modelscope.cn/collections/Robbyant/

LingBot-VLADatasets: 

https://huggingface.co/datasets/robbyant/lingbot-GM-100

代码仓库:

https://github.com/Robbyant/lingbot-vla

项目论文: 

https://arxiv.org/abs/2601.18692