7月10日，蚂蚁灵波正式发布了一款重磅产品——业界首个具身原生世界动作模型LingBot-VA 2.0。这标志着机器人基础模型完成了一次关键转型：从“依托数字世界模型构建”转向“面向物理世界原生设计”。简单来说，这背后是一种路线选择——机器人的“大脑”不再是从数字世界模型那里“嫁接”而来的能力，而是从动态建模、因果预测、实时执行这些与物理环境交互最原始的需求出发，从头开始原生打造。

具身原生架构带来的优势，在真机测试中体现得非常直观：执行速度和泛化能力都相当出色。举个例子，看下面的视频——机器人不需要任何外部拍摄设备，就能与人类来回随机对打，动作流畅，衔接自然。

今年行业内一直在热议一个核心话题：世界模型和具身智能究竟该如何融合？如果以终为始，从物理世界“控制执行”的需求出发，那么机器人就必须具备符合因果规律的“预测能力”。毕竟，它要面对的是一个连续变化、充满不确定性的真实世界，不能只对当前状态做出反应，还得理解“我做了这个动作，环境会如何变化”，然后据此决定下一步该怎么走。目前行业的主流做法，大多是把面向数字内容创作的视频生成模型拿过来，通过微调适配机器人控制任务。

但问题在于，内容创作与机器人控制，出发点完全不同。内容创作更注重画质和创意，机器人控制则更看重执行效率和预测的合理性。这两种需求从一开始就决定了它们的能力侧重点不同。强行把前者“微调”成后者，难免会带来知识遗忘、泛化性下降等副作用。

LingBot-VA 2.0的选择是直面问题，走一条更艰难的路——基于自回归架构从零开始预训练，通过四大核心设计构建原生基模。

首先，模型引入了一个语义视觉-动作分词器作为全新的视觉编码器，在视觉压缩过程中就把语义和动作信息对齐了。这样一来，模型在后续训练里更容易把“理解指令”转化为“完成动作”，指令跟随和动作精度都更有保障。其次，采用了严格的因果预训练范式，从训练一开始就用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序，逻辑不乱。第三，引入了MoE架构，在不牺牲推理效率的前提下扩大了模型容量，在性能和效率之间找到了平衡点。最后，通过增强的异步推理机制实现实时闭环控制——机器人一边执行动作，一边预测未来状态，同时用最新的真实观测不断校正下一步决策。这些设计加在一起，让LingBot-VA 2.0在行业普遍头疼的具身世界模型执行效率问题上，交出了一份单卡150Hz实时推理效率的答卷。

从“干活”的角度来说，机器人需要“看得更清楚”“想得更明白”“干得更利索”。本周，蚂蚁灵波已经连续发布和开源了多款模型，包括面向空间感知的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。这些模型都是蚂蚁灵波在具身原生细分方向上持续探索的成果，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。

据蚂蚁灵波CEO朱兴透露，接下来灵波一方面会持续探索具身智能的上限，另一方面也会加速构建开放的技术生态和场景生态，助力机器人更快走向产业场景。

另外，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。感兴趣的观众可以去上海世博展览馆H3-B302、H1-C701展位现场体验。