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
