LingBot-VLA
4B 參數的 VLA 基礎模型，以來自 9 種機器人平台的雙臂資料訓練
授權條款
Apache-2.0
概述
來自 Robbyant（螞蟻集團子公司）的務實型視覺語言動作（VLA）基礎模型，定位為真實世界機器人操作的通用大腦。LingBot-VLA 以來自 9 種雙臂機器人平台、共 20,000 小時的遠端操作雙臂資料訓練，結合 Qwen2.5-VL-3B-Instruct 骨幹與混合 Transformer 動作專家。它在 RoboTwin 2.0 模擬中達到 88.56% 的平均成功率，並在橫跨 3 個平台的 GM-100 真實世界評測基準上取得最先進的結果。
LingBot-VLA 是一個開源的視覺語言動作（VLA）基礎模型，由螞蟻集團旗下的具身 AI 子公司 Robbyant 開發，於 2026 年 1 月釋出。它定位為機器人操作的通用大腦，以約 20,000 小時的真實世界遠端操作雙臂資料訓練，這些資料收集自 9 種常見的雙臂機器人配置，包括 Agibot G1、AgileX 與 Galaxea R1Pro。
模型採用混合 Transformer（MoT）架構，將預訓練的 Qwen2.5-VL-3B-Instruct 視覺語言骨幹與專門的動作專家頭結合。這種設計讓模型能運用 VLM 強大的多模態理解能力，同時生成精確的機器人動作。LingBot-VLA 有兩種版本：不使用深度的版本（LingBot-VLA-4B），以及融入來自 LingBot-Depth 與 MoGe-2 之空間感知的深度蒸餾版本（LingBot-VLA-4B-Depth）。
訓練流程相較既有的 VLA 程式碼庫可加速 1.5 至 2.8 倍，並支援從 8 到 256 顆 GPU 的多 GPU 配置。這次開源釋出建構於 LeRobot 框架之上，不只包含模型權重，還有一套完整、可用於正式環境的程式碼庫，附有資料處理、高效微調，以及在 GM-100 評測基準上自動評估的工具。
LingBot-VLA 屬於 Robbyant 更大的模型家族，其中還包括 LingBot-VA（影片動作世界模型）、LingBot-World（即時世界模型）與 LingBot-Depth（空間感知模型），共同構成一套完整的具身 AI 開發堆疊。
為何重要
LingBot-VLA 代表讓機器人社群能取得實用、可部署之 VLA 模型的重要一步。它以橫跨 9 種不同機器人平台、20,000 小時的真實世界雙臂資料訓練，處理了機器人基礎模型的關鍵挑戰之一：跨形態泛化。這個模型不只在模擬中有效；它已在多個實體機器人平台上的 GM-100 真實世界評測基準中得到驗證。
這次開源釋出不只有模型權重。Robbyant 提供完整的生產流程，包括資料處理、微調工具與自動評估，大幅降低了在真實世界環境中部署 VLA 模型的門檻。相較既有程式碼庫 1.5 至 2.8 倍的訓練加速，也讓運算預算有限的團隊更容易使用。再加上 Apache 2.0 授權，LingBot-VLA 提供的是目前對商業最友善、在實務上也最完整的 VLA 套件之一。
解決的問題
在不同硬體平台上部署機器人操作模型，通常需要為每個平台進行昂貴的資料收集與訓練。LingBot-VLA 提供一個以來自 9 種不同機器人配置之多樣雙臂資料預訓練的跨形態基礎模型，藉此解決這個問題。它可用於正式環境的程式碼庫與高效率的訓練流程，減少了在新平台上微調與部署所需的時間與運算成本，而深度蒸餾版本則在推論時無需深度感測器，就能增加空間感知能力。
重點
- 以來自 9 種雙臂機器人平台（包括 Agibot G1、AgileX 與 Galaxea R1Pro）、20,000 小時的真實世界遠端操作雙臂資料訓練
- 在 RoboTwin 2.0 模擬評測基準上達到 88.56% 的平均成功率，並在 GM-100 真實世界評測基準上取得最先進的結果
- 採用混合 Transformer 架構，結合 Qwen2.5-VL-3B-Instruct 骨幹與專門的動作專家，實現精確操作
- 以 Apache 2.0 完整開源，包括模型權重、訓練流程、資料處理工具與自動評估框架
- 訓練流程相較既有 VLA 程式碼庫加速 1.5 至 2.8 倍，支援從 8 到 256 顆 GPU 的配置
適用對象
- 部署雙臂操作系統、需要可跨平台泛化之預訓練 VLA 模型的機器人工程師
- 研究跨形態轉移與 VLA 模型架構的研究實驗室
- 打造商用機器人操作產品、需要 Apache 2.0 授權基礎模型的公司
- 使用 LeRobot 框架、想要一個附整合工具之高效能 VLA 模型的開發者
限制
- 主要以雙臂操作任務訓練與評估；單臂與移動操作的涵蓋程度較不成熟
- 訓練需要大量 GPU 資源（8 至 256 顆 GPU 的配置）；推論需求尚未完整記錄
- GM-100 真實世界評測基準的成功率（平均 17.30%）凸顯了模擬與真實世界表現之間持續存在的落差
- 深度蒸餾版本在訓練時依賴 LingBot-Depth 與 MoGe-2 模型，增加了整條流程的複雜度