近日，机器人领域传来一项重要进展：蚂蚁灵波科技联合香港科技大学等高校共同完成的学术论文《Causal World Modeling for Robot Control》，正式被国际机器人顶级会议 Robotics: Science and Systems（RSS）2026 接收。

RSS 在全球机器人学术界的地位举足轻重，长期聚焦于机器人学习、控制与感知等前沿方向，其录用标准极为严格。论文获此会议接收，不仅代表研究具备显著的学术创新性，也意味着其获得了国际同行的高度认可。

这项研究究竟解决了什么问题？其核心在于让机器人具备更高级的智能——不仅能够执行动作，更能预先“思考”动作将引发环境发生何种变化。研究团队提出了一套面向机器人控制的因果世界建模框架，并基于此构建了全球首个开源的自回归视频-动作世界模型 LingBot-VA。

LingBot-VA 的突破性在于，它使机器人能够在任务执行过程中持续预测环境状态的变化，并依据预测结果生成后续动作指令。这相当于赋予机器人一种类似人类的“观察-判断-行动”的连贯认知与决策能力。

对蚂蚁灵波科技而言，此次论文入选顶会，是对其“以世界模型驱动机器人控制”技术路线的有力验证。它进一步彰显了 LingBot-VA 作为具身智能基础模型的技术潜力。从长远看，该技术路径有望推动机器人从依赖精确编程的“执行器”，向能够理解环境、泛化任务并自主决策的“智能体”演进。

从“执行动作”到“预见变化”

对机器人而言，真正的挑战往往不在于执行某个动作，而在于理解该动作将引发的连锁反应。例如，拿起水杯后桌面空间的变化，或推开抽屉后内部物品位置的改变。若机器人仅能“机械执行”，则难以应对复杂动态的真实场景。

LingBot-VA 的核心创新，正是将这种“预见未来”的能力嵌入控制闭环。它使机器人能够先在内部模型中“模拟”世界状态的演变，再基于模拟结果决定当前动作。这是一种根本性的范式转变。

这也正是研究强调“因果”建模的关键所在。真实物理世界的发展遵循时间箭头与因果律。因此，机器人在预测未来时，也必须严格遵循时间上的因果关系进行逐步推演。LingBot-VA 将这种因果约束固化于模型结构之中：每一步预测仅依赖于历史观测与已执行动作，确保推演严格按时序展开。

由此，模型输出的不再仅是展示未来的“视频片段”，而是蕴含因果逻辑、可直接用于控制决策的“状态-动作轨迹”。这一设计还带来了额外优势：模型具备了更强的长时序记忆能力，这对于步骤复杂、耗时较长的实际任务至关重要。

技术实现与性能表现

在技术架构上，LingBot-VA 采用混合专家 Transformer（Mixture-of-Transformers, MoT）架构，将视频预测与动作生成统一于同一个自回归扩散框架。此外，模型引入了闭环推演机制：在任务执行中持续接收真实环境反馈，并据此修正预测，从而有效缓解长时推演中的误差累积问题。

理论需经实践检验。研究团队在仿真与真实机器人任务上对 LingBot-VA 进行了系统评估。

在仿真基准测试中，模型表现突出：在 RoboTwin 2.0 的 50 项双臂操作任务上，LingBot-VA 在 Easy 与 Hard 设置下的平均成功率分别达到 92.0% 与 91.1%；在 LIBERO 基准上，成功率高达 98.5%。

更值得关注的是其在真实场景中的性能。面对长时序任务、高精度操作以及柔性与关节物体操控三大类共 6 项高难度挑战，LingBot-VA 仅需 50 条真实示范数据即可完成适配学习。最终，其整体成功率较业界主流基线方法 π0.5 提升超过 20 个百分点，充分证明了其高效的数据利用能力与强大的任务泛化性能。

目前，LingBot-VA 的模型权重、训练与推理代码均已开源。研究人员与开发者可通过 Model Scope、Hugging Face 及 GitHub 平台获取相关资源，进行进一步研究或应用开发。

论文链接：https://arxiv.org/abs/2601.21998
项目主页：https://technology.robbyant.com/lingbot-va