蚂蚁灵波 LingBot 全栈 2.0：220 万下载与 9 个模型仓库

一句话结论：蚂蚁灵波把机器人的感知、世界模型与动作决策拆成九个可独立下载的开源仓库，用 220 万次下载和约 3.36 万 Star 换来了斯坦福大学、洛桑联邦理工等机构的真实复用。

蚂蚁灵波把这套东西称作机器人通用大脑，全栈 2.0 版本在 2026 世界互联网大会乌镇峰会上完整亮相。支撑它的不是单个模型，而是 Robbyant 组织在 GitHub 上的九个仓库。LingBot-VLA 2.0 用约 6 万小时预训练数据覆盖 20 种机器人构型，LingBot-World 2.0 把 720p 视频推到 60 fps，LingBot-Map 在 518×378 分辨率上稳定跑 20 FPS 且序列长度超过一万帧。开源 9 个月，这套模型的下载量突破 220 万次，GitHub Star 合计约 3.36 万。

这件事的看点不在于单点跑分，而在于具身智能领域第一次有了一个层次清晰、可以按需取用的开放全栈。对开发者而言，这意味着空间感知、世界模型、动作策略三层可以各自下载、各自微调，不必为了拿到一个动作模型而接受一整套黑箱栈。对产业而言，它把竞争焦点从模型参数规模挪到了生态采纳速度上。

九个仓库构成的四层具身栈

灵波开源的完整矩阵按功能分成四层，仓库全部采用 Apache-2.0 许可，权重与技术文档同步放出。以下 Star 数为 2026 年 11 月 4 日在 GitHub 上的实测值，官方对外口径是超过 3.3 万。

需要注意 LingBot-World 这个仓库已经停止维护，官方把后续更新全部并入 LingBot-World-V2，也就是对外称作 LingBot-World-Infinity 的版本。新用户直接看 V2 即可，World 第一代更适合用来对照代际差异。

动作层：VLA 2.0 把数据规模推到 6 万小时

第一代 LingBot-VLA 的数据规模是约 2 万小时真实世界数据，覆盖 9 种主流双臂机器人构型。官方技术报告的评估方式是相当严苛的：在 4 个机器人平台上各完成 100 个任务，每个任务配 130 段后训练回合。工程侧的成果是 8 卡训练环境下每秒 261 个样本，相对已有的 VLA 训练代码库有 1.5 到 2.8 倍的提速，具体倍数取决于所依赖的视觉语言底座。

第二代把这套账本翻了近三倍。LingBot-VLA 2.0 的预训练语料约 6 万小时，其中 5 万小时是机器人轨迹，覆盖 20 种机器人构型，另外 1 万小时是第一人称人类视频。视觉底座换成 Qwen3-VL-4B-Instruct，权重为 6B。动作空间也从双臂扩展到头部、腰部、移动底盘与灵巧手。

这一代多出来的一个技术设计值得单独说。VLA 2.0 把未来预测当成代理任务来用，语义时序先验由 DINO-Video 提供，几何线索由 LingBot-Depth 提供。也就是说模型在动作决策之外被要求推断接下来会发生什么，这类预测被用在强化学习训练里做时序推理的辅助监督。

训练效率上，仓库在 2026 年 9 月 22 日加入分布式 Muon 优化器，单节点 H20 上后训练速度相对 Muon 提升 37.6%。这类数字对自建基座的团队比跑分更有用，因为具身模型的后训练往往要在有限卡时里反复迭代。

同类路线的对比可以看智元 GO-3 Preview 的自进化数据，它走的是让模型自己产出训练数据再迭代的路径，和灵波靠大规模预训练语料铺开的路线正好相反。

世界模型层：从 16 fps 到 720p 60fps

LingBot-World 第一代的技术报告定义了两个关键指标：以 16 fps 生成时延迟低于 1 秒，同时支持分钟级的时域长度并保持上下文一致性。这两点对应的是交互式世界模型的两难，帧率决定操作手感是否跟手，时域决定机器人能否在预测出的未来里做多步规划。

第二代把这套能力推到了完全不同的量级。LingBot-World 2.0 通过因果预训练范式获得无界交互时域，同时保持一致的输出质量；通过从基座模型蒸馏出实时变体，把响应速度推到足以驱动 720p 60fps 视频流。模型规模为 14B，提供 Causal-Pretrain 与 Causal-Fast 两个版本。交互元素也从上一版的有限动作扩展到攻击、射箭、施法、射击等更宽的动作谱系。

第二代还有一个别的世界模型少做的设计，它把智能体框架直接写进了世界模型内部，由一个 pilot agent 负责规划与执行角色行为，再由一个 director agent 负责在场景推进过程中合成新的环境元素。这相当于把生成模型的输出从被动素材变成了带角色分工的主动环境。

许可上有一点必须留意。LingBot-World-V2 使用的是 CC BY-NC-SA 4.0，与其余仓库的 Apache-2.0 不同，商用场景要单独确认。开源世界模型在推理侧的另一面是算力门槛，我们此前拆过Hy-Nomas 这类 8B 世界模型在单卡上的显存占用，那类小模型路线与世界模型 2.0 的 14B 实时变体不在同一个问题上。

空间感知层：重建与深度两条互补路线

LingBot-Map 的架构叫几何上下文 Transformer，它在同一套流式框架里放进了三样东西，锚点上下文负责坐标锚定，位姿参考窗口负责稠密几何线索，轨迹记忆负责长程漂移修正。这个设计的直接结果是状态保持紧凑的同时几何上下文充足，在 518×378 分辨率输入下稳定达到约 20 FPS，长序列可以超过 10000 帧不崩。仓库的论文标注为 ECCV 2026 最佳论文候选。

LingBot-Depth 走的是补传感器这条路。它的判断是深度传感器的误差本身可以看成被遮挡的信号，反映了几何上的固有歧义，于是用视觉上下文去精修深度图。团队放出了 300 万组 RGB 与深度配对数据，其中 200 万组是真实采集，100 万组是仿真生成。论文报告的结论是它在深度精度与像素覆盖率上都超过了顶级 RGB-D 相机。

LingBot-Vision 给这两者提供共同的视觉底座。它是一族自监督 ViT 骨干，从 ViT-S/16 一路做到 1.1B 参数的 ViT-g/16，核心是掩码边界建模这个目标函数，先找出图像里的亚像素边界，再用带边界的 token 当作掩码目标去学稠密视觉表示。这一族权重已经合入视觉骨干库 timm 的主线，冻结 token 后可以直接拿来做深度估计、语义分割、视频目标分割和深度补全。

同一时期的世界模型工作也在并行推进，清华团队提出的代数世界模型 AWM 在 ARC-AGI-3 上通关 183 关，走的是把状态表示代数化而非像素化预测的路线，与灵波的像素级世界模型形成对照。

生态落点：三条硬指标和一批真实复用

判断一个开源具身项目有没有生命力，看三件事就够了。第一是进入了哪个主流工具链的主线。LingBot-VLA 与 LingBot-VA 已完成对全球最大机器人开发平台 LeRobot 的生态适配，LingBot-Vision 合入 timm 主线，LingBot-World 成为全球首个同时获得 vLLM 与 SGLang 两大开源推理引擎支持的世界模型，英伟达也把 LingBot-World 集成进其开源世界模型推理库 FlashDreams。

第二是被谁引用。斯坦福大学的 OpenWAM 项目复用并适配了 LingBot-VA 模块，韩国 FastOPD 研究以 LingBot-VLA 作为教师模型来探索更轻量的机器人方案，瑞士洛桑联邦理工学院基于 LingBot-Map 开展珊瑚礁三维重建。相关工作还被 Physical Intelligence 与 Generalist AI 等团队引用。这些是外部团队的自主选择，比官方自报数字更能说明问题。

第三是社区规模。首届蚂蚁灵波具身大模型挑战赛的线上初赛吸引来自 13 个国家、648 所高校及企业的 1855 支队伍共 3252 位选手参赛。

落地侧同样有实景。乌镇峰会的世界互联网科技馆内，蚂蚁灵波与国大药房联合呈现了机器人智慧药房。药品密集摆放在 80 厘米宽的窄通道两侧，机器人自主完成接收订单、识别目标药品、分拣与交付的连续作业。这套方案已在上海国大药房多家门店常态化运行，无需改造商品陈列或门店布局。蚂蚁集团工作人员对外表示的目标是实现一脑多机，在 20 多个不同构型的机器人上使用同一套大脑。

硬件侧的另一面是本体多样性。人形机器人的构型差异比双臂平台大得多，Meta 的 48 公斤人形原型与傅利叶的三个月造机节奏代表了本体快速迭代的现实约束。数据成本同样是绕不开的账，RoboScience 披露的单条数据成本 0.05 元给出了量级参照。

使用前要知道的四件小事

第一，许可不统一。九个仓库里八个是 Apache-2.0，只有 LingBot-World-V2 用 CC BY-NC-SA 4.0，涉及商业分发时需要单独确认。

第二，权重有两个版本。LingBot-VLA 同时放出不含深度与经过深度蒸馏两个版本，训练时还额外需要 Qwen2.5-VL-3B-Instruct、MoGe-2-vitb-normal 以及 LingBot-Depth 的权重。

第三，框架版本会咬人。仓库从 LeRobot v2.1 迁移到 v3.0 之后，2026 年 5 月 1 日之前下载的检查点在加载时会报字段非法错误，需要重新下载或手动清理 config.json。LingBot-VA 还有一个更隐蔽的坑，attn_mode 字段存在 transformer/config.json 里，训练时必须设为 flex，而推理时要改成 torch 或 flashattn，用错会直接报错。

第四，主干仓库迭代很快。LingBot-VLA-V2 在 2026 年 9 月 22 日就更新了优化器，官方也在不断把训练配置和数据集往仓库里塞。工程上做版本固定时要注意这个节奏。

常见问题

LingBot 是什么，适合谁用？

它是蚂蚁灵波开放的具身模型全栈，包含空间感知、世界模型与动作决策三个层次共九个仓库。做机器人算法的人可以单独取用某一层，训练资源紧张的人可以直接调用被蒸馏过的轻量化路线。

220 万次下载说明了什么？

说明它已经是全球下载量靠前的具身开源模型之一。这个数字对应的是真实开发者拉取权重的行为，与官方演示的访问量不是一回事，但下载之后是否用得起来还取决于工具链适配与本体的构型匹配。

和 LeRobot 自带模型、逐际动力这类方案比，优势在哪？

差异主要在分层粒度。多数开源 VLA 只提供动作层，感知与世界模型要自己补。LingBot 把三层同时开放，并且都进了主流工具链主线，接入成本低于从零拼装。

这些数字能直接横向比较吗？

要谨慎。仓库里的性能指标多由团队自测，测试环境、基座模型与推理配置都不相同，跨项目的数字只能看趋势。真正可靠的判断依据是外部团队的复用情况与开源生态的采纳速度。

小结

灵波这次给出的东西，价值排序很清楚。九个仓库的层次划分让具身模型的复用第一次有了工程抓手，220 万次下载说明这条路走得通，3.36 万 Star 说明关注度不是虚的，而斯坦福与洛桑联邦理工的引用说明它已经被当作可靠底座在用。

接下来的观察点有三个。开源权重被第三方微调后的实际表现，工具链适配能否继续扩大，以及在真实门店与工厂场景里跑够时间之后暴露出来的可靠性问题。具身智能眼下缺的从来不是模型，而是能让模型持续运行的工程生态，而 LingBot 至少把生态这一层的地基铺了出来。

相关阅读

• Hy-Nomas 拆解：8B 世界模型用 20.53 GiB 显存跑 100 秒
• 智元 GO-3 Preview：61.90 分与 5 天 85.7% 自进化
• 清华代数世界模型 AWM：ARC-AGI-3 183 关全通
• RoboScience 机器科学 A2 轮数亿元：单条数据成本 0.05 元
• Meta Max 人形机器人 48 公斤原型曝光