新京报贝壳财经讯7月10日，蚂蚁灵波发布业界首个具身原生世界动作模型LingBot-VA 2.0。

　　今年以来，世界模型与具身智能怎么融合一直是各方关注的焦点。当前行业主流路线大多依托面向数字内容创作的视频生成模型，再通过微调的方式适配机器人控制任务。然而内容创作和机器人控制有着不同的出发点，强行“微调”把前者适配成后者会带来知识遗忘、泛化性下降等副作用。

　　对此，LingBot-VA 2.0探索一条更艰难的路——基于自回归架构从头开始预训练，通过四大核心设计构建原生基模。

　　首先，模型引入语义视觉-动作分词器（Tokenizer）作为全新的视觉编码器，在视觉压缩过程中加入了语义与动作信息的对齐，使模型在后续的训练中更容易把“理解指令”转化为“完成动作”，有助于指令跟随与提升动作精度。其次，模型采用严格的因果预训练范式，让模型从训练一开始就使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序。第三，引入MoE架构，在不牺牲推理效率的前提下有效扩大了模型容量，在性能和效率之间取得平衡。最后，通过增强的异步推理机制实现实时闭环控制，在机器人执行动作的同时预测未来状态，并利用最新真实观测不断校正下一步决策。基于这些设计，在行业普遍面临的具身世界模型执行效率低这一问题上，LingBot-VA 2.0给出了单卡150Hz实时推理效率的答卷。

　　得益于具身原生架构，LingBot-VA 2.0在真机测试中表现出了出色的执行速度和泛化能力。蚂蚁灵波CEO朱兴表示，一方面灵波将持续探索具身智能新上限，另一方面也将加速构建开放的技术生态和场景生态，助力机器人加速走向产业场景。