金磊 发自 凹非寺量子位 | 公众号 QbitAI
整整60000小时的预训练数据。。。。 。。
一个新VLA（视觉-语言-行动），，就这么水灵灵地被“喂”了出来，，并且照旧开源的那种。。。。 。。
这就是蚂蚁灵波刚刚宣布的LingBot-VLA 2.0，，一个面向重大物理天下使命的通用VLA模子。。。。 。。
先来聊聊这60000小时真实物理数据是怎么来的。。。。 。。
着实它包括两个部分，，其中50000小时来自机械人轨迹数据，，笼罩20种机械人构型；；；；；另外10000小时来自第一视角人类操作视频。。。。 。。
而距蚂蚁灵波1月宣布LingBot-VLA 1.0仅半年时间来，，数据规模从20000小时直接乘了个3。。。。 。。
那么效果又怎样呢？？？？？？
来，，直接上效果：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
我们从视频中可以看到，，机械人先从操作台上拿起饮料、水果放进篮子里，，再拎起篮子移动到冰箱前，，翻开冰箱门、把工具一件件放进去，，最后关上冰箱门。。。。 。。
一整套长序列的移动操作，，一气呵成，，相当丝滑。。。。 。。
不过有一说一，，数据规；；；；；菇鼋鍪荓ingBot-VLA 2.0亮点的一隅，，在细扒相关手艺报告后我们发明：
支持20多种机械人构型；；；；；从双臂扩展到头部、腰部、移动底盘、灵巧手等更完整的行动空间；；；；；融合LingBot-Depth，，让机械人获得更强空间明确能力；；；；；在英伟达RTX 4090上推理延迟低于130ms。。。。 。。
而不少网友们看到LingBot-VLA 2.0的宣布后，，更是直呼：
开源的具身模子正在加速机械人手艺在现实天下中的应用。。。。 。。
机械人干活，，更利索了
接下来，，我们先继续来直观感受一下在LingBot-VLA 2.0加持之下，，机械人干真实天下家务活儿的体现怎样。。。。 。。
第一个使命是整理灶台。。。。 。。
它比适才的冰箱收纳来说，，越发靠近真实生涯中的厨房场景：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
机械人面临炉灶、锅架、海绵等一桌子物品，，需要先将障碍物挪开、取放稳当，，然后精准地拿起海绵擦拭灶台，，最后还得把相关物体物归原位。。。。 。。
从机械人的体现来看，，LingBot-VLA 2.0是经受住了真真相形里的一连决媾和细腻交互的磨练。。。。 。。
再来看一个使命，，调料收纳。。。。 。。
这类使命更磨练双臂协同和空间关系处理能力，，机械人要清晰每个物体划分放在哪、相互间距多远、桌面结构长什么样，，光靠看画面是不敷的，，还得有空间感。。。。 。。
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
再来感受一下带LingBot-Depth 2.0深度热力争、物体界线Token掩码、余弦相似度热图的效果：
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
而这正是LingBot-VLA 2.0默认融合LingBot-Depth之后带来的能力升级，，精准拿捏住了机械人自身和空间之间的关系。。。。 。。
若是我们把这三个案例放到一起，，LingBot-VLA 2.0要做的事儿就较量清晰了：
它是希望通过统一套具身大脑，，能够做到迁徙赴任别身体、差别场景、差别使命里。。。。 。。
换言之，，为某个机械人专门训的专用模子不是目的，，要害是一套能复用的通用具身操作基座。。。。 。。
（完整能力视频如下）
视频地点：https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw
还学会了展望未来
在看完效果之后，，接下来的问题就是LingBot-VLA 2.0是怎样做到的。。。。 。。
我们先从数听提及。。。。 。。
在第一代LingBot-VLA开源时，，外界就已经关注到一个点，，真实天下机械人数据越多，，VLA模子能力越强，，并且这种提升还没有显着到头。。。。 。。
到了LingBot-VLA 2.0，，这条蹊径还在继续被往前推。。。。 。。正如我们适才提到的，，它的数据管线从9万小时数据中洗濯出5万小时高质量真机数据，，又从2万小时第一视角人类操作数据中提炼出1万小时有用数据，，总预训练数据抵达6万小时。。。。 。。
但数据量增添还只是表象。。。。 。。更要害的是这些数据笼罩了更多机械人形态、多视角、多使命、多行动模式。。。。 。。
团队在手艺报告中列出的机械人构型便包括Leju、Franka、AgileX、ARX Lift2、Galaxea R1Pro、Astribot S1、Unitree G1、Fourier GR-2、AgiBot A2等，，总计20种embodiment。。。。 。。
我们知道语言模子吃的是文本，，但到了VLA这里，，吃的是“视觉、语言、行动”的组合。。。。 。。
它不但要知道“把水果放进冰箱”这句话是什么意思，，还要知道机械臂该怎么靠近物体，，夹爪什么时间闭合，，底盘什么时间移动，，冰箱门翻开后空间关系怎样转变。。。。 。。
以是数据越富厚，，模子越有时机学到更通用的操作纪律。。。。 。。
除了数据够“厚”之外，，LingBot-VLA 2.0的另一个要害，，在于它把行动空间买通了。。。。 。。
差别机械人有差别枢纽、差别夹爪、差别底盘。。。。 。。双臂机械人、人形机械人、移念头械臂，，在身体结构上差别很大。。。。 。。要让统一个VLA模子迁徙赴任别身体上，，就需要把这些差别映射到一个统一的行动空间里。。。。 。。
LingBot-VLA 2.0这次把行动空间从双臂进一步扩展到头部、腰部、移动底盘、灵巧手等自由度。。。。 。。
真实天下重大使命往往需要多个身体自由度协同完成，，LingBot-VLA 2.0的目的就是提升机械人在开放场景、长序列使命和多自由度协同使命中的体现。。。。 。。
更有意思的是，，LingBot-VLA 2.0还学会了展望未来。。。。 。。
已往许多VLA模子更像是反馈式执行，，看到目今画面，，天生一个行动；；；；；执行完之后，，再凭证下一帧视察效果继续修正。。。。 。。但这种方式能形成闭环，，但在长序列使命里容易泛起问题。。。。 。。
因此，，LingBot-VLA 2.0引入了未来深度展望和语义特征展望，，让模子在天生行动时同时明确目今状态和展望未来状态。。。。 。。
详细来讲，，团队给视觉和文本token特殊挂上两组可学习的query token，，一组对应目今时刻，，一组对应未来时刻；；；；；再划分用认真几何信息的深度模子LingBot-Depth，，和认真语义、时序信息的自研视频表征模子DINO-Video做蒸馏监视，，让模子不但明确眼前的场景，，还能提前预判物体位置、空间关系和使命状态接下来会怎么转变。。。。 。。
由此，，我们便可以把LingBot-VLA 2.0在手艺上的升级归结为：
数据更厚，，身体笼罩更广，，行动空间更完整，，模子还具备一定前瞻式时序明确能力。。。。 。。
GM-100上见真章
模子好欠好，，评测效果也是很好的证实。。。。 。。
这次LingBot-VLA 2.0在GM-100多使命Generalist Benchmark上选取9个使命，，与GR00T N1.7、π0.5、LingBot-VLA 1.0举行比照；；；；；同时也在两个长程移动操作使命上与π0.5举行比照。。。。 。。
值得一提的是，，Generalist Benchmark考察的是统一个模子在多个使命上的综合体现，，而非为单个使命划分训练、划分调优，，再把各自最好的效果拼成一张榜单。。。。 。。因此，，这类评测更靠近真实落地场景，，也更能反映一个VLA基座模子的通用能力。。。。 。。
先看GM-100双臂操作。。。。 。。
在AgileX Cobot Magic平台上，，LingBot-VLA 2.0整体平均效果为66.2/34.4，，高于GR00T N1.7的36.3/17.8、π0.5的59.1/32.2，，以及LingBot-VLA 1.0的58.2/30.0。。。。 。。
在Galaxea R1 Pro平台上，，LingBot-VLA 2.0整体平均为34.6/15.6，，进度分高于GR00T N1.7、π0.5和LingBot-VLA 1.0；；；；；乐成率与LingBot-VLA 1.0持平，，但高于GR00T N1.7和π0.5。。。。 。。
除此之外，，团队还做了两个较有代表性的测试：Astribot S1执行物体放入冰箱使命，，Cobot Magic-ARX X5执行整理灶台使命。。。。 。。
每个使命都有ID和OOD两种设置，，每组15次自力实验。。。。 。。OOD设置下，，机械人初始位置会被扰动；；；；；在冰箱收纳使命中，，还会替换为没见过的物体种别，，用来测试泛化能力。。。。 。。
效果上，，冰箱收纳使命中，，LingBot-VLA 2.0在ID设置下为77.1/60.0，，π0.5为65.3/46.7；；；；；OOD设置下，，LingBot-VLA 2.0为37.0/13.3，，π0.5为30.3/6.7。。。。 。。
整理灶台使命中，，LingBot-VLA 2.0在ID设置下为84.3/66.7，，π0.5为79.9/60.0；；；；；OOD设置下，，LingBot-VLA 2.0为67.5/40.0，，π0.5为62.5/33.3。。。。 。。
具身通用大脑，，越发要害了
放到整个行业来看，，LingBot-VLA 2.0的意义不止是又一个更强的模子。。。。 。。
已往一年，，机械人硬件本体的转变很快。。。。 。。乐聚、智元、星动纪元等公司都在推进差别形态的身体，，人形机械人、双臂机械人、移念头械臂都在快速迭代。。。。 。。
身体越来越多，，问题也随之泛起。。。。 。。
每种机械人都有自己的枢纽构型、传感器设置、控制方式；；；；；每个场景又有差别物体、空间、使命要求。。。。 。。若是每一种本体、每一个使命都要重新适配一套算法，，本钱会很高，，规；；；；；埠苣。。。。 。。
LingBot-VLA 2.0想做的，，就是大脑层的通用化。。。。 。。
它用更大规模的真实数据，，让模子见过更多物理天下里的行动；；；；；用统一行动体现，，实验抹平差别本体之间的差别；；；；；再加上LingBot-Depth和未来展望，，让机械人对空间和时间有更强的明确。。。。 。。
从更久远看，，具身智能可能会泛起一个趋势：
机械人的身体继续百花齐放，，但通用大脑的趋势会愈加收敛。。。。 。。
One More Thing：
昨天蚂蚁灵波宣布了LingBot-Depth 2.0，，今天是LingBot-VLA 2.0，，但预计它的新行动不会仅止于此。。。。 。。
由于在一月份的时间，，蚂蚁灵波就针对具身智能来了一波四连弹。。。。 。。
以是，，对具身智能感兴趣的小同伴，，可以继续坚持下关注哦~
手艺报告：From Foundation to Application: Improving VLA Models in Practice
报告地点：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf
项目页面：https://technology.robbyant.com/lingbot-vla-v2
代码库：https://github.com/robbyant/lingbot-vla-v2
Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vla-v2
ModelScope：https://modelscope.cn/collections/Robbyant/LingBot-VLA-V2
