首先，带来一则重磅消息：7月10日，蚂蚁灵波正式发布了业界首个具身原生世界动作模型——LingBot-VA 2.0。这一模型的落地，背后传递出非常明确的信号：机器人基础模型正在经历一次关键转变——从过去依赖数字世界模型“嫁接”，转向面向物理世界原生设计。简单来说，机器人的“大脑”不再是拿数字世界那套能力改一改、凑合用，而是从头开始，围绕动态建模、因果预测、实时执行这些真实交互需求来设计。这是一种路线选择，而且是一条更接近本质的道路。
得益于这套原生架构，LingBot-VA 2.0在实际测试中展现出令人惊叹的速度和泛化能力。举个例子，下面这个视频中，机器人不需要任何外部拍摄设备，就能与人类进行多轮随机对打，反应速度和动作连贯性让人印象深刻。
今年以来，世界模型与具身智能如何融合，一直是行业热议的焦点。从最终目标倒推，机器人要在真实物理世界里干活，核心需求就是持续具备符合因果规律的“预测能力”。真实世界是连续变化的，机器人不能只对当前情况做出反应，还得理解一个动作会引发环境怎样的变化，再据此决定下一步动作。目前行业主流路线大多是拿面向数字内容创作的视频生成模型，通过微调来适配机器人控制任务。
但问题来了——内容创作与机器人控制，出发点截然不同。内容创作更看重画质和创意，而机器人控制更讲究执行效率和预测的合理性。这一根本差异导致数字世界的视频模型和物理世界的视频动作模型，在设计之初就有各自的能力侧重。强行微调，把前者硬改成后者，必然会带来知识遗忘、泛化能力下降这些副作用。
LingBot-VA 2.0选择直面这个难题，走了一条更艰难的路——基于自回归架构从零开始预训练，用四大核心设计构建原生基模。
第一，模型引入了一个语义视觉-动作分词器作为全新的视觉编码器。它在视觉压缩过程中就加入了语义与动作信息的对齐，这样模型在后续训练中更容易将“理解指令”转化为“完成动作”，指令跟随能力和动作精度都得到了提升。第二，采用严格的因果预训练范式，从一开始就用自回归架构，确保视觉预测和动作生成严格遵循单向时间顺序。第三，引入MoE架构，在不牺牲推理效率的前提下扩大模型容量，在性能和效率之间找到了平衡点。第四，通过增强的异步推理机制实现实时闭环控制——机器人在执行动作的同时就能预测未来状态，并利用最新真实观测不断校正下一步决策。基于这些设计，LingBot-VA 2.0实现了单卡150Hz的实时推理效率，这在行业普遍头疼的具身世界模型执行效率问题上，交出了一份漂亮的答卷。
换个角度说，要让机器人真正“干活”，得让它“看得更清楚”“想得更明白”“干得更利索”。就在本周，蚂蚁灵波连续发布并开源了多款模型：面向空间感知的LingBot-Vision和LingBot-Depth 2.0，面向“一脑多机”的动作模型LingBot-VLA 2.0，面向实时交互的LingBot-World 2.0，以及面向更高推理效率的视频生成基模LingBot-Video。这些模型分别对应具身原生需要的细分方向能力，而LingBot-VA 2.0作为集大成者，扮演了收官之作的角色，也正式开启了具身原生新阶段。
蚂蚁灵波CEO朱兴表示，一方面会持续探索具身智能的新上限，另一方面也会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。据悉，蚂蚁灵波将在7月17日至20日的2026世界人工智能大会（WAIC）期间，全面展示全栈大脑2.0的落地场景能力。感兴趣的朋友可以到上海世博展览馆H3-B302、H1-C701展位现场体验。
