机器人一次次靠后空翻和机械舞吸引目光,但真正走进物理世界,它们面对的却是另一番考验。昨天(11 月 3 日)开幕的 2026 年世界互联网大会乌镇峰会现场,一家 特殊的“零售药房” 被搬进了展馆:80 厘米宽的通道两侧,药品密集紧凑地摆放着。
机器人在其中有序运转: 接收 订单、 识别 目标药品,并完成 分拣与交付 。这并非概念演示。
相同的方案此前已在 上海国大药房的多家零售门店常态化运转 ,帮助药剂师分担药品分拣等高频、重复性工作。支撑这一场景的,是蚂蚁灵波 开源的具身“大脑全栈 2.0” 。
它并非单一模型,而是由视觉、深度感知、世界模型和动作决策等 多款模型组成 ,涵盖了机器人从高精度空间理解、到环境理解和动作执行的 完整模型套件 。据悉,自今年 1 月启动开源以来,灵波(Robbyant)已开放 LingBot 系列 多款核心模型及相应的权重、代码及技术文档 。
这意味着全球研究员、开发者和企业都可以基于这套具身底座, 进行机器人的适配、训练和二次开发 。截至发稿前,相关项目在 GitHub 上已累计斩获 超 3.3 万颗 Star ,模型下载量 突破 220 万次 。
这也让今年乌镇峰会“ 开源开放,共建共享 ”的主题有了 具象化的落点 。开源从来不是单向的技术宣告,更不该只由最初的研发者定义:它的价值边界, 始终是在更广泛的复用、验证与协作中被不断拓宽的 。
这层价值,在科研与工程一线有了更清晰的注脚:斯坦福李飞飞团队 在 OpenWAM 框架中复用其底层组件 ,韩国权威科研机构 选其作为教师模型展开蒸馏 ,全球最大机器人开发平台 LeRobot 则将其合入了官方主线 。从顶尖学术实验室的代码复用,到主流开发平台的工具链集成,再到药房窄道里的自主分拣,这套来自中国的具身开源底座,不仅 切入了全球主流的具身技术坐标系 ,也提供了一个 观察物理世界 AI 演进的重要样本 。
同行用代码投票 在开源领域,Star 数反映的是关注度;而代码是否被真正调用,则成了更具说服力的标准。翻开近期具身学术圈近期的几项核心成果,灵波的模型组件 正以具体的工程形态被引入研发管线 。
最典型的样本来 自斯坦福大学李飞飞实验室 。今年 10 月初,该团队发布了用于具身智能的 统一机器人框架 OpenWAM 。
在这项探索世界-动作模型(WAM)标准交互范式的研究中,团队没有从零重写整套管线,而是 复用了灵波 LingBot-VA 的开源实现与核心资产 。在开源体系中,顶尖实验室选用外部模块极其挑剔。
通常需要 极高的模块化程度、干净的接口设计 ,否则重构成本远高于自研。李飞飞团队在构建前沿学术基准时选择将其作为基础构件,侧面印证了 灵波的代码架构这套代码具备极高的规范度与通用性。
面向算力受限的小型机器人场景,韩国顶尖研究机构 韩国科学技术院(KAIST)团队 在 FastOPD 研究中选定 LingBot-VLA 作为“教师模型”,通过知识蒸馏,将其能力迁移至参数量更小的 VLA 模型中。在 RoboTwin 2.0 仿真实测中,该套方案展现出 极高的工程收益 :在端到端延迟仅增加 1 毫秒(56ms 至 57ms)的极小代价下,一个仅 4.5 亿参数的学生模型在单步推理(NFE=1)中的任务成功率,被直接从 35.3% (原始 SmolVLA) 拉升至 51.2% ,净增 15.9 个百分点。
模型训练过程中,知识蒸馏能否奏效,主要取决于 教师模型能否提供有效的任务表征与动作指导。 KAIST 的实践不仅验证了 LingBot-VLA 底层动作表征的迁移价值 ,也为端侧具身智能突破算力限制提供了新的路径——让低成本硬件在不显著增加推理开销的前提下,也能 获得更好的机器人操作能力 。
而在更大范围的开发者生态中,这种复用正在沉淀为基础设施。目前,全球最大的开源机器人平台 LeRobot,已将灵波的 LingBot-VA 与 VLA 2.0 正式合入官方主线;主流计算机视觉库 timm 也将其视觉模型收录为主干。
这意味着全球开发者 拉取标准库 时,LingBot 已经成为原生的 “出厂选项” ,无需再为环境适配耗费周折。在脑内预演物理学 我们看到,顶尖团队之所以能够把灵波底座的这些模块抽调出来、嵌入各自的代码库,根源在于其对物理世界的拆解方式。
进入真实作业环境,机器人面临的卡点已经不再是学会某个特定动作, 而是在充满变数的现场,稳定把一连串任务做完 。机器人不仅要认出药品,还要随时应对反光干扰、货架遮挡和位置偏差。
一旦夹爪不慎碰歪目标,整个物理状态就全变了。这种动态变化也击中了传统控制方案的死穴——正如行业智库 Core Matter 在评测全球七大主流机器人基础模型时,所指出的:“ 真实环境不会在机器人思考时暂停 。
在这一坐标下,LingBot-VA 2.0 凭借 异步预测与执行化解控制延迟 的路线,成为了被重点剖析的技术样本。为了化解这种 连续的物理扰动与控制延迟 ,灵波的“大脑全栈 2.0”将复杂的具身控制拆解为三层清晰的能力: 高精度空间理解 (LingBot-Vision / LingBot-Depth 2.0):单纯识别出物体类别远远不够。
视觉与深度模型重点学习 物体的三维轮廓与空间距离,摸清精确的物理坐标 ; 动态环境交互 (LingBot-Video / LingBot-World 2.0):在机器人行动之前,世界模型在 系统内部持续预演:施加推力后周围会有什么连带反应?物体会不会打滑倾倒?
用对物理规律的推演,为后续动作提供路径依据; 可泛化灵巧操作 (LingBot-VLA 2.0 / LingBot-VA 2.0):根据视觉信息和任务指令生成动作,让机器人完成抓取、搬运等操作,并提升对不同任务和场景的适应能力。 VA 2.0 将预测模型与动作生成打通,让机器人 边执行、边观测、边修正 。
这种模块化拆解,让机器人面对物理世界时有了 分步推理的抓手 ,也让外部团队 在研发时能够按需调用特定组件 。但再精巧的算法结构,没有真实物理交互的冲撞,依然只是一套空架子。
支撑这套大脑持续进化的,正是 灵波自建的超 10 万小时真机作业数据,它覆盖了 20 多种本体构型、3.6 万种任务,以及近 2 亿条深度感知数据。在数据工程层面,团队不再迷信录入“完美轨迹”,而是将现场抓空、打滑、碰壁等失败样本视为核心教材。
依托端边云流转,现场异常数据能在半天内完成回流洗练,形成可用率超 90% 的高质量训练集。从标星走向工作流 开源不仅是公开权重。
衡量一个开源底座的成色,关键还要看它能否低成本嵌入已有的生产流程,让模型从“可下载”变成“可直接调用和继续开发”。围绕这一目标,灵波正在推动 LingBot 模型与 主流开发框架、推理引擎及云端服务平台 进行适配。
在机器人开发流程上, LeRobot 合入主线后 ,动作块生成耗时从 677 毫秒大幅压缩至 127 毫秒,开发者可以沿用 LeRobot 已有的数据管理和训练流程,直接开展模型微调与测试。在世界模型推理方面,NVIDIA 开源的世界模型推理库 FlashDreams 也正式集成 LingBot-World ,并提供专门的模型文档和运行入口; SGLang 也为 LingBot-World、LingBot-Video 提供原生推理管线,支持实时会话、相机控制和连续画面生成。
vLLM-Omni 则进一步将灵波的 LingBot-Video(视频生成)与 LingBot-World 2.0(交互式世界模型)接入统一推理框架。更进一步,第三方开发者已经在这些基础之上, 进一步压榨模型的性能边界。
海外开发者 Kaarel Kaarelson 单凭一张消费级 RTX 5090 显卡,通过重构推理同步逻辑与优化解码精度,把 LingBot-World 2.0 的本地实时生成帧率从 6.0 FPS 提升到了 16.1 FPS。 PandacatAI 则将模型移植到了 Apple Silicon 平台。
在一台搭载 M4 Pro 芯片的 Mac 个人电脑上,仅凭 16.1GB 的内存峰值,就跑通了 6.8 秒物理交互视频的本地端侧生成,推平了轻量化试验的硬件门槛。极客们的自发尝试,最终沉淀为活跃的技术生态。
截至目前,灵波在 GitHub 上积累了超过 3.3 万颗 Star。而在 10 月底的具身挑战赛中,更有来自 13 个国家的 超 1855 支战队进场调试。
当开源代码被反复调用、挑刺和二次开发。这套具身底座也打破了实验室的围墙,真正变成开发者触手可及的通用构件。
不改货架的真实工况 代码在工具链里跑通只是第一步。当机械臂真正进场作业,最终都要落到一笔笔账本上。
过去自动化改造最容易陷入的误区,就是为了迁就机器人而重构整个物理空间:加装围栏、拓宽走道、更换定制料架。这种为适配机器而付出的隐性改造投入,有时甚至远超采购硬件本身的支出。
这轮具身浪潮,机器人走出演示展台的前提,就是 能主动适应既有人类环境,并且算得清投入产出比 。在展厅还原的药房中,80 厘米过道、密集堆叠与随处可见的包装反光,对标了 零售门店局促的物理现实 。
在 不改动货架与动线 的前提下,机器人自主完成取药全流程。同样的考题也摆在工业现场。
在 汽车零部件上下料与车间分拣 等场景中,灵波正与隆盛科技(隆盛唯睿)、德马科技等产业方推进协同攻关。相较于轻载的零售药品,重工业工况更加苛刻:工件沉重、油污反光强烈、生产节拍以秒计算。
如何 用同一套大脑适配异构本体 ,并在高强度节拍中抵抗磨损与积累误差,是 具身模型迈向深水区 必须翻越的硬门槛。物理世界从来不会因为算法的精妙而网开一面,重力、摩擦与材料磨损始终客观存在。
在屏幕之内,开源共享的是 逻辑与代码 ;而当算法开始接管硬件,它更深层的价值,还包括将散落于不同工况中的碰撞、挫败与调试经验,沉淀为 全行业通用的底层基座 。不必再重复踩前人踩过的坑,具身领域的突破就不再依赖少数团队的单打独斗,而是来自同行者一起往前的合力。