蚂蚁集团 Robbyant 发布 LingBot-VA 2.0，首个原生具身基础模型

一句话看懂：蚂蚁集团旗下 Robbyant 于 2026 年 7 月 11 日发布了 LingBot-VA 2.0，号称是首个原生具身基础模型。该模型将视觉、语言和动作决策直接融合在单一模型中，不再依赖传统流水线式分步处理，旨在让机器人更自然、更高效地理解和执行复杂任务。

事件核心：发生了什么

Robbyant 宣布的 LingBot-VA 2.0 是一个原生多模态基础模型，直接打通了“看、听、想、动”四个环节。与以往视觉模型理解画面、语言模型解析指令、控制模块规划行动的分立架构不同，LingBot-VA 2.0 将所有能力封装在一个端到端神经网络中。这意味着机器人接收到图像和自然语言指令后，模型本身就能直接输出可执行的动作序列，减少了中间转换的延迟和信息损失。

目前公开信息显示，该模型已在实际场景中进行了测试，包括家庭服务（如物品抓取、收纳）和工业辅助（如按自然语言指令调整货架布局）。Robbyant 在发布中强调，LingBot-VA 2.0 训练数据量相比 1.0 版本大幅提升，且使用了大规模仿真环境与真实数据混合的策略，以提高泛化能力。

为什么重要

LingBot-VA 2.0 的核心意义在于技术路线的转向。过去几年，具身智能（Embodied AI）的主流方法是“模块堆叠”——视觉模型输出物体坐标，语言模型解析意图，路径规划模型计算移动轨迹。这种分裂式设计存在信号丢失、端到端对齐困难、推理效率低等痛点。Robbyant 选择直接训练单一模型来处理所有环节，如果此路线验证成功，可能大幅降低机器人系统的开发周期和部署成本，并为中小团队提供更简洁的接入方案。

从行业竞争看，LingBot-VA 2.0 也是蚂蚁集团在 AI 实体化方向的一次关键落子。与字节跳动、腾讯等主要在数字内容、大模型 API 赛道竞争不同，蚂蚁借助 Robbyant 聚焦机器人与物理世界交互，差异明显。如果该基础模型未来开源或提供 API，将对现有机器人软件栈造成冲击。

对用户/开发者/创作者的影响

对机器人开发者和企业用户：LingBot-VA 2.0 可能降低将自然语言指令转化为机器人动作的编程门槛。开发者无需再分别训练或调优视觉、语言、控制三个模块，而是通过微调一个模型即可完成特定场景定制。这对于仓储物流、家庭陪伴、零售服务等领域的集成商来说，有望减少技术栈的复杂度。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对 AI 研究员：原生基础模型若表现出色，将推动更多团队放弃模块化方法，转向更大规模的统一多模态训练。研究重心可能从“如何拆解任务”转向“如何设计更通用的端到端架构”。

对普通消费者：目前该模型尚未有面向公众的产品落地计划。一旦搭载该模型的机器人量产，用户将能用自然语言直接指挥机器人完成复杂动作（如“把桌上那本书拿到书房书架上”），无需特定命令格式，交互门槛显著降低。

值得关注的后续

1. 产品落地时间表：Robbyant 当前仅发布论文和技术报告，尚未公布具体硬件合作方或商用机器人产品。后续需观察是与第三方硬件厂商合作，还是推出自研机器人。

2. 开源/闭源策略：基础模型是否开源将直接影响影响力扩散速度。若采用开源策略，小团队和研究者可快速低成本入手；若维持闭源，则可能通过云 API 收费，商业模式更接近软件服务。

3. 竞品跟进：海外如 Google DeepMind 的 RT-2、英伟达的 Isaac 平台也都在探索具身基础模型。LingBot-VA 2.0 的出现会加速全球在这一方向的竞赛，不久后可能会看到更多类似架构的新成果发布。

来源：MarkTechPost（RSS）