Robbyant是中国蚂蚁集团旗下的一家具身人工智能公司，它发布了LingBot-VA 2.0，称其为业界首个专为机器人技术打造的“具身原生”视频-动作世界模型。

该模型专为物理世界任务从零开始构建，而非改编那些最初为数字内容创作而设计的视频生成模型。

LingBot-VA 2.0采用自回归架构，预测机器人的动作如何改变环境，并基于这些因果关系确定下一个动作。

公司表示，这一方法提高了物理精度、执行效率，并增强了真实世界机器人应用的泛化能力。

重新定义机器人学习
Robbyant将LingBot-VA 2.0描述为业界首个“具身原生”视频-动作世界模型，它专为机器人技术构建，而非从数字内容生成系统改编而来。

该发布代表了机器人基础模型的一次转变，即通过为物理世界原生设计人工智能。与传统方法微调视频生成模型用于机器人控制不同，LingBot-VA 2.0是从零开始，使用自回归架构进行预训练，该架构专注于动态世界建模、因果预测和实时执行。据公司称，这使得模型能够预测机器人的行为将如何改变其周围环境，并基于这些预测结果选择下一个动作。

现有的大多数具身人工智能系统依赖于最初为生成数字内容而开发的视频模型。虽然这些模型能有效创造逼真的视觉效果，但它们优先考虑图像质量和创意，而非物理精度和执行速度。Robbyant表示，将它们改编用于机器人技术往往会降低泛化能力并限制真实世界的表现。

LingBot-VA 2.0通过四项架构创新来应对这些挑战。一个语义视觉-动作分词器联合压缩视觉和动作信息，使模型能够更好地将指令转化为机器人运动。一个严格的因果预训练策略确保预测遵循正确的时间序列，而混合专家（MoE）架构在不牺牲推理效率的前提下增加了模型容量。一个增强的异步推理机制使机器人能够在执行动作的同时预测未来状态，并利用真实世界的观察持续更新决策。

公司表示，这些进步使得在单个GPU上实现150赫兹的实时闭环控制成为可能。该模型还能通过上下文学习，以少至20次演示就能适应新的操作任务，无需进行参数更新。

预测性机器人智能
LingBot-VA将未来视频预测与策略学习统一在单个自回归框架内，联合学习视觉动态和机器人动作。它在大规模机器人视频-动作数据集上进行预训练，然后针对下游任务进行微调。

在运行中，系统首先从当前观察和语言指令预测未来的视觉状态。然后，一个逆向动力学模型将这些预测转化为可执行的机器人动作，同时真实世界的观察持续替代预测状态，以保持控制回路与现实接轨。

Robbyant展示了该模型在长周期和精密操作任务上的能力，包括准备早餐、拆快递、插管、拾取螺丝、叠衣服和打开抽屉。公司还报告了在RoboTwin 2.0和LIBERO仿真基准测试上取得的显著成果，在多个任务设定中超越了现有方法。

公司进一步强调了LingBot-VA保持长期记忆的能力，使得机器人能够区分视觉上相同但语境不同的情境，并准确执行需要计数、排序和重复动作的多步骤任务。

“Robbyant将继续探索具身智能的新边界，同时加速开放技术和应用生态的发展，以加快机器人在工业及真实场景中的部署，”Robbyant首席执行官朱星在一份声明中表示。