量子位
·
蚂蚁灵波开源具身大模型LingBot-VLA，让机器人“看的更清楚 做的更明白”
内容提要
蚂蚁灵波科技开源了具身大模型LingBot-VLA，提升了机器人在真实场景中的操作能力。该模型实现了跨本体和跨任务的泛化，降低了训练成本，并在多项评测中刷新成功率纪录。LingBot-VLA结合高精度空间感知模型，增强了深度信息处理能力，助力开发者快速适应不同场景，推动具身智能的发展。
关键要点
-
蚂蚁灵波科技开源具身大模型LingBot-VLA，提升机器人操作能力。
-
LingBot-VLA实现跨本体和跨任务的泛化，降低训练成本。
-
在GM-100评测中，LingBot-VLA成功率从13.0%提升至17.3%。
-
在RoboTwin 2.0评测中，LingBot-VLA成功率比Pi0.5提升9.92%。
-
LingBot-VLA基于20000+小时真机数据预训练，支持多种机器人构型。
-
仅需80条演示数据即可实现高质量任务迁移，降低适配门槛。
-
开源提供模型权重及全套代码库，压缩模型训练周期。
-
蚂蚁灵波科技CEO朱兴强调高效基座模型对具身智能应用的重要性。
-
LingBot-VLA是蚂蚁在AGI研发上的探索性成果，推动具身智能技术迭代。
-
LingBot-VLA已与多家厂商完成适配，验证跨本体迁移能力。
延伸解读
具身智能的挑战与机遇
具身智能模型在实际应用中面临本体、任务和环境的多重差异，导致泛化能力不足。LingBot-VLA通过大规模预训练和跨本体迁移能力，显著降低了开发者的适配成本，为行业提供了可规模化的解决方案，推动了具身智能的广泛应用。
开源的战略意义
蚂蚁灵波科技的开源举措不仅提供了模型权重和代码库，还降低了商业化落地的门槛。这种开放策略有助于吸引全球开发者参与，促进技术迭代，加速具身智能的普及，推动AGI的实现。
性能提升的关键因素
LingBot-VLA在真实场景中的成功率提升，得益于其高精度空间感知模型和可学习查询对齐机制。这些技术的结合使得机器人在复杂环境中表现更为出色，开发者应关注这些技术在实际应用中的适配性和效果。
延伸问答
LingBot-VLA的主要功能是什么？
LingBot-VLA是一款具身大模型，提升机器人在真实场景中的操作能力，实现跨本体和跨任务的泛化。
LingBot-VLA如何降低训练成本？
LingBot-VLA通过基于20000+小时的真机数据预训练，减少了对大量数据的需求，仅需80条演示数据即可实现高质量任务迁移。
LingBot-VLA在评测中表现如何？
在GM-100评测中，LingBot-VLA的成功率从13.0%提升至17.3%，在RoboTwin 2.0评测中成功率比Pi0.5提升9.92%。
LingBot-VLA的开源对开发者有什么帮助？
开源提供模型权重和全套代码库，压缩模型训练周期，降低商业化落地的算力与时间门槛，帮助开发者快速适配场景。
LingBot-VLA如何实现跨本体迁移？
LingBot-VLA支持多种机器人构型，能够无缝迁移至不同构型的机器人，保持成功率与鲁棒性。
蚂蚁灵波科技的CEO对LingBot-VLA有何看法？
CEO朱兴强调高效基座模型对具身智能应用的重要性，希望通过LingBot-VLA的开源推动具身智能的规模化应用。
