Компания Ant Lingbo Technology (дочерняя структура Ant Group) 10 июля официально представила LingBot-VA 2.0 — первую в отрасли «природную» (Embodied-Native) предобученную модель робототехники. Решение знаменует переход от моделей, построенных на базе цифровых генеративных платформ, к моделям, с нуля спроектированным для взаимодействия с физическим миром.
Технологический прорыв. Современные модели в индустрии в основном полагаются на системы генерации видео, созданные для цифрового контента, которые затем дообучаются для управления роботами. Однако такие модели ориентированы на качество изображения и креативность, тогда как управление роботами требует эффективности исполнения и предсказуемости — простая адаптация ведёт к потере обобщающей способности. LingBot-VA 2.0 спроектирован с нуля на авторегрессионной архитектуре, где каждый параметр с самого начала оптимизирован для физического мира, что позволяет роботу одновременно прогнозировать изменения в окружающей среде и генерировать последующие действия.
Ключевые архитектурные решения. Модель включает четыре основных компонента: семантический визуально-моторный токенизатор, обеспечивающий преобразование понимания команд в выполнение действий; строгую причинно-следственную парадигму обучения, при которой визуальное прогнозирование и генерация действий подчиняются однонаправленной временной последовательности; разреженную архитектуру MoE (Mixture of Experts) с общим объёмом около 13 млрд параметров, где на каждый токен активируется лишь около 1,9 млрд параметров; а также улучшенный механизм асинхронного вывода, обеспечивающий замкнутый цикл управления в реальном времени.
Эффективность и обобщение. Модель достигает 150 Гц вывода на одной видеокарте, решая проблему низкой эффективности выполнения, характерную для многих существующих систем. В испытаниях на реальном роботе успешно выполнены задачи по многократному взаимодействию с человеком, включая захват хрупких предметов, без использования внешнего оборудования. Модель также демонстрирует способность к обучению в контексте — для адаптации к новой задаче достаточно 20 демонстраций.
Экосистема и планы. LingBot-VA 2.0 завершает недельную серию релизов компании Ant Lingbo, в которую вошли модели пространственного восприятия LingBot-Vision и LingBot-Depth 2.0, мульти-роботная модель LingBot-VLA 2.0, модель реального времени LingBot-World 2.0 и базовая модель генерации видео LingBot-Video. Вместе они формируют экосистему «Полный мозг 2.0». Ant Lingbo планирует представить практические демонстрации на Всемирной конференции по искусственному интеллекту WAIC 2026, которая пройдёт с 17 по 20 июля.