首先，模型引入语义视觉-动作分词器（Tokenizer）作为全新的视觉编码器，在视觉压缩过程中加入了语义与动作信息的对齐，使智能模型在后续的训练中更容易把“理解指令”转化为“完成动作”，有助于指令跟随与提高动作精度。其次，大模型采用严格的因果预训练范式，让模型从训练一开始就使用自回归架构，确保视觉预测和动作生成完全遵循单向时间顺序。第三，引入MoE架构，在不牺牲推断能力效率的前提下有效扩大了模型容量，在性能和效率之间取得平衡。最后，借助增强的异步推理机制达成实时闭环控制，在机器人执行动作的同时预测今后状态，并利用最新真实观测不断校正下一步决策。基于这些设计，在行业普遍面临的具身世界模型执行效率低这一问题上，LingBot-VA 2.0给出了单卡150Hz实时推理效率的答卷。
从“干活”的角度出发，机器人需要“看的更清楚”“想的更明白”“干的更利索”。本周，蚂蚁灵波已经连续发布和开源了多款大模型，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和面向更高模型推理效率的视频生成基模LingBot-Video。上述模型代表着蚂蚁灵波在持续探索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。
7月10日，蚂蚁灵波发布业界第一个具身原生世界动作模型LingBot-VA 2.0。该AI模型的正式发布，标志着机器人基础模型正式从“基于数字世界模型构建”到“面向物理世界原生设计”的关键转变。它代表了具身智能发展的一种关键路线选择：机器人“大脑”不再依托数字世界AI模型性能的“嫁接”，而是从动态建模、因果预测、实时执行等与环境交互的原始用户需求出发，进行原生设计。
然而内容创作和机器人控制有着不同的出发点，内容创作更在意画质和创意，机器人控制则更在意执行效率和预测的合理性。上述这些不同导致数字世界的视频大模型和物理世界的视频动作模型在设计之初就有各自的性能侧重点，强行‘微调’把前者适配成后者会带来知识遗忘、泛化性下滑等副作用。
据悉，蚂蚁灵波将于7月17日至20日在2026世界人工智能大会（WAIC）期间，全方面展示全栈大脑2.0落地场景的能力。观众可前往上海世博展览馆（H3-B302、H1-C701展位）进行现场体验。
得益于具身原生架构，LingBot-VA 2.0在真机测试中表现出了出色的执行速度和泛化能力。以下面这个视频为例，在不依赖任何外部拍摄设备的情况下，机器人就可以完成与人类的多轮随机对打。
蚂蚁灵波CEO按照朱兴的说法，一方面灵波将持续探索具身智能新上限，另一方面也将提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。
LingBot-VA 2.0选择直面问题，探索一条更艰难的路——基于自回归架构从头开始预训练，借助四大核心设计构建原生基模。
支持17家机器人厂商20多种构型，蚂蚁灵波LingBot-VLA 2.0正式开源
产业首个具身原生世界动作模型来了！蚂蚁灵波发布LingBot-VA 2.0
蚂蚁灵波开源LingBot-Video，全球首个面向具身的视频基模来了！
获联合国机构点赞！天立启鸣“AI+教育”方案入选AI for Good
AI聪明够了，行动呢？WAIC首夜，来聊点下一步的真实判断｜活动报名
刚刚，首个空间原生的具身视觉基模开源！机器人更会看我们的世界了
本文由蚂蚁灵波带来，量子位获授权转载，观点归原作者所有。
第十一届中国航空创新创业大赛报名开启｜熵跃苍穹 无界新元
版权所有，未经授权不得以任何形式转载及使用，违者必究。
据了解，2026年世界人工智能大会，7月17-7月20上海举办
60000小时炼出新开源VLA！20多种机器人都能用
刚刚，全球首个具身专属的MoE视频大模型，开源了！
初次在真实世界验证VLA的Scaling Law
行业观察人士认为，这将成为未来竞争的关键赛道。
行业观察人士认为，这将成为未来竞争的关键赛道。
蚂蚁具身智能明牌了：做大脑，和宇树们错位竞争
越来越多的企业开始在这一领域布局加码。
蚂蚁灵波Lingbot-VLA 2.0
视频生成的下一站，或是机器人大脑
整理编辑：硅基前哨