Robbyant，一家隸屬於中國螞蟻集團的具身人工智能公司，最近推出了 LingBot-VA 2.0，並將其描述為業界首個專為機器人設計的具身原生視頻行動世界模型。該模型是從零開始構建，專注於物理世界任務，而非改編原本為數位內容創建而設計的視頻生成模型。LingBot-VA 2.0 採用自回歸架構，預測機器人的行動如何改變環境，並根據這些因果關係決定下一步行動。
該公司表示，這種方法提高了物理準確性、執行效率和對真實世界機器人應用的泛化能力。
LingBot-VA 2.0 代表機器人基礎模型的一次重要轉變
Robbyant 將 LingBot-VA 2.0 描述為業界首個專為機器人而設的具身原生視頻行動世界模型，而非從數位內容生成系統改編而來。此次發布標誌著機器人基礎模型的一次轉變，設計 AI 專為物理世界。與傳統方法通過微調視頻生成模型來進行機器人控制不同，LingBot-VA 2.0 是從零開始進行預訓練，採用專注於動態世界建模、因果預測和實時執行的自回歸架構。
根據該公司的説法，這使得模型能夠預測機器人行動將如何改變環境，並根據這些預測結果選擇下一步行動。
大多數現有的具身 AI 系統依賴於最初為生成數位內容而開發的視頻模型。雖然這些模型在創建現實視覺方面有效，但它們優先考慮圖像質素和創造力，而非物理準確性和執行速度。Robbyant 表示，將這些模型適應於機器人時，通常會減少泛化能力，限制實際表現。LingBot-VA 2.0 通過四項架構創新解決了這些挑戰。一個語義視覺行動標記器共同壓縮視覺和行動信息，使模型能夠更好地將指令轉化為機器人動作。
一個嚴格的因果預訓練策略確保預測遵循正確的時間序列，而一種專家混合架構（Mixture of Experts, MoE）則在不犧牲推理效率的情況下提高了模型的容量。
Robbyant 在多項任務中展示了 LingBot-VA 的卓越能力
增強的非同步推理機制使機器人在執行行動時能夠預測未來狀態，並持續根據現實觀察更新決策。該公司表示，這些進步使得在單個 GPU 上以 150 Hz 的速度實現實時閉環控制成為可能。該模型還能通過上下文學習以最少 20 次示範適應新的操作任務，無需進行參數更新。
LingBot-VA 將未來視頻預測和政策學習統一於一個自回歸框架中，聯合學習視覺動態和機器人行動。該系統在大型機器人視頻行動數據集上進行預訓練，然後為下游任務進行微調。在運行過程中，系統首先根據當前觀察和語言指令預測未來的視覺狀態。隨後，逆動態模型將這些預測轉換為可執行的機器人行動，而現實觀察則不斷替代預測狀態，保持控制循環的現實性。
Robbyant 在長期和精確的操作任務中展示了該模型的能力，包括準備早餐、拆包、插入管子、撿起螺絲、摺衣服和打開抽屜。該公司還在 RoboTwin 2.0 和 LIBERO 模擬基準上報告了令人印象深刻的結果，在多個任務設置中超越現有方法。該公司進一步強調了 LingBot-VA 的長期記憶保持能力，使機器人能夠區分視覺上相同但上下文不同的情況，並準確執行需要計數、排序和重複行動的多步任務。
Robbyant 的首席執行官朱星在一份聲明中表示：「Robbyant 將繼續探索具身智能的新極限，同時加速開放技術和應用生態系統的發展，以促進機器人在工業和現實世界場景中的部署。」