150 条示教数据即可适配新机器人，蚂蚁灵波开源 LingBot-VLA 后训练代码
一句话看懂：蚂蚁集团旗下灵波科技今日开源了其具身基座模型 LingBot-VLA 的真机后训练工具链，开发者仅需 150 条示教数据即可将模型迁移至自有机器人。此举首次完整开放了从数据处理到真机部署的全套工程链路，大幅降低了具身智能开发者的适配门槛。
事件核心：发生了什么
蚂蚁灵波科技宣布全面开源 LingBot-VLA 的真机后训练工具链，覆盖数据处理、训练配置、离线评测和真机部署四个环节。开发团队可使用自有数据，将预训练模型快速迁移到不同构型的机器人上。LingBot-VLA 基于 2 万小时真实机器人数据预训练，支持 9 种主流双臂机器人构型，已在乐聚、松灵、星海图等多机型完成验证。模型提供了含深度和不含深度两个版本，代码库已在 GitHub 开源，模型权重同步发布在 Hugging Face 和 ModelScope。目前公开信息显示，该模型在真机和仿真评测中均优于行业基准 π0.5。
为什么重要
此前，具身智能领域的开源模型虽多，但真正部署到自有机器人上需要大量工程适配——不同机器人在机械臂构型、末端执行器、传感器配置上差异显著，这些工程链路往往是各团队的核心 know-how，鲜有完整开放。LingBot-VLA 的开源直接回应了这一痛点：一方面，它将过去封闭的适配工程标准化、工具化，使开发者无需从头积累底层经验；另一方面，150 条示教数据的低迁移门槛和 1.5~2.8 倍于主流框架（StarVLA、OpenPI）的训练效率，从数据与算力两端降低了模型适配成本，可能推动具身智能从实验室走向中小开发团队甚至个人开发者。
对用户/开发者/创作者的影响
对具身智能开发者和机器人团队而言，最直接的影响是减少了真机部署的重复性工程工作。此前，在更换机器人本体后，数据格式、关节映射、训练参数等环节往往需要全链路重做；现在开发者可以复用 LingBot-VLA 的数据处理工具（支持多 LeRobot 数据合并、关节维度映射标准化）和优化的训练配置，专注于上层任务逻辑。对硬件厂商来说，该开源工具链降低了机器人作为平台被第三方开发者适配的门槛，有利于扩大本体的生态覆盖面。对于希望在低成本环境下开展机器人研发的高校或初创团队，150 条数据即能完成任务迁移，意味着可以更少受限于昂贵的算力和数据采集成本。
值得关注的后续
1. 模型权重是否会持续迭代：目前开源的是后训练工具链和固定预训练权重，蚂蚁灵波后续是否像其他大模型厂商一样定期发布新版本或增加更多机器人构型的支持，将直接影响开发者生态的活跃度。2. 竞品是否跟进开源工程链路：π0.5 等同类模型是否会参照此模式开放真机适配全流程，可能改变当前具身智能开源板块的竞争格局。3. 实际部署中的泛化表现：150 条数据在公开报道中已验证多机型迁移，但跨不同传感器配置、不同工作环境（如光照、物体种类变化）下的稳定性有待更多开发者在实际场景中反馈。
来源：Readhub · AI
