蚂蚁Robbyant发布LingBot-VA 2.0：首个原生具身基础模型到底新在哪？

蚂蚁集团旗下具身智能团队 Robbyant 近日正式发布 LingBot-VA 2.0，定位为"首个原生具身基础模型"。这不是一次常规的版本更新，而是把视频生成、动作预测和机器人控制放到同一套参数里联合训练，试图绕开"先训视觉再接动作"的传统拼接路线。

原生（native）的意思很直接：模型从一开始就把机器人视角下的视频、动作指令和时序因果关系当作一等公民，而不是把别人训好的视频模型当插件来调用。Robbyant 把这条路线走通，等于重新定义"基础模型"该长什么样。

架构上，LingBot-VA 2.0 采用因果 DiT（Diffusion Transformer）结构，骨干视频专家参数约 130 亿，单次推理激活约 19 亿；整体训练规模约 153 亿参数，每 token 推理时激活约 25 亿。参数量不算夸张，但激活比例压得比较低，目标是同时兼顾表达力和推理成本。

核心信息与背景

工程上有两个数字值得记：一是多块预测（MCP）让训练速度提升约 2.3 倍；二是前瞻推理把延迟压到 142 ms / chunk。两者直接决定能否在真实机器人上跑得动——光跑分漂亮但延迟高、控制就跟不上。

基准测试方面，模型在 RoboTwin

2.0 的 50 个任务上，干净演示数据和随机演示数据的平均成功率分别达到

93.8% 和

93.4%。两个数字几乎打平，说明模型对演示数据质量没那么敏感，泛化能力比较扎实。

背景上看，Robbyant 是蚂蚁近两年在具身方向投入的主力团队，从早期的机器人导航到现在的视频-动作统一模型，走的是"自研基础模型 + 真实机器人数据"的路径。在国内 BAT 级别的公司里，愿意把具身基础模型作为独立产品线公开迭代的并不多。

对用户的影响与后续观察

对机器人开发者来说，如果这套模型开放接口或权重，等于可以直接拿到一个"看视频就会做动作"的底座，省掉自建数据管线、训视频模型再接策略网络的一长串工程。对内容创作者而言，类似的视频预测能力也能被复用到数字人、虚拟主播等场景。

企业用户更关心延迟和部署成本。142 ms / chunk 在双臂操作场景中属于可接受范围，再叠上 MCP 的训练加速，企业自训行业版模型的周期会被显著压缩。但具体的开源协议、推理硬件要求和商业授权还没有完整披露，这是目前最大的不确定项。

中文用户眼下能做的，是先关注 Robbyant 是否同步放出技术报告、推理代码和 Demo 视频。海外华人社区对这类具身基础模型的讨论热度一直很高，配合中文技术博客的拆解，门槛会比纯英文论文低不少。

后续值得观察的点有三个：一是模型是否真的开源或开放 API；二是能否在真实硬件上复现 RoboTwin 2.0 的成绩；三是字节、阿里、腾讯等团队会不会在同一时间段拿出对标方案。在具身智能还没出现"安卓时刻"的阶段，每一步基础模型的更新都在划定新的起跑线。