LingBot-VLA 2.0 开源：覆盖 20 种机器人的 VLA 基础模型

灵生智能（Robbyant）团队近日在 Hacker News 发布并开源了 LingBot-VLA 2.0，一个面向真实机器人应用的视觉-语言-动作（VLA）基础模型。相较 1.0 版本，2.0 在跨任务与跨构型泛化、动作空间、预测式动力学建模三方面做了系统性升级，6B 权重已上线 Hugging Face 与 ModelScope。

三大核心升级

LingBot-VLA 2.0 的改进围绕通用性展开：

跨任务与跨构型泛化：重建数据管线后，预训练语料达到约 6 万小时，其中包含跨 20 种机器人构型的 5 万小时机器人轨迹数据，以及 1 万小时第一人称人类操作视频。
统一动作空间：支持机械臂、末端执行器、夹爪、灵巧手、腰部、头部和移动底盘信号，不再局限于标准双臂操作。
预测式动力学建模：以未来预测为代理任务，引入 DINO-Video 提供语义时序先验，引入 LingBot-Depth 提供几何线索。

预训练数据管线

团队在原始数据池基础上做了多轮过滤。机器人侧剔除视频-状态错位、模糊与遮挡、多视角错位、速度/加速度/加加速度异常以及静态信号片段；人类第一人称侧聚焦操作类视频，重建并标准化手部轨迹，过滤不稳定的相机或手部运动估计。最终语料覆盖单臂、双臂、半人形、人形和第一人称五类来源。

模型设计要点

统一动作表征

模型将异构构型映射到一个 55 维的规范化状态/动作向量：

机械臂关节位置 14 维
末端执行器位姿 14 维
夹爪位置 2 维
手部关节位置 12 维
腰部位置 4 维
头部位置 2 维
移动底盘信号 3 维
保留维度 4 维

MoE 动作专家

为改善跨构型扩展性，动作专家内部使用稀疏 MoE 层。细粒度专家切分与共享专家隔离，使通用先验和构型/任务专属模式在相同激活算力预算下共存。

双查询蒸馏

模型在视觉/文本 token 上追加当前与未来感知查询，分别蒸馏自 LingBot-Depth 和 DINO-Video，引导模型在因果推理中同时建模当前场景几何与未来场景演化。

权重与后训练示例

LingBot-VLA 2.0 以原生深度（native depth）版本发布，仓库 ID 为 robbyant/lingbot-vla-v2-6b。完整复现还需 Qwen3-VL-4B-Instruct、MoGe-2-vitb-normal、LingBot-Depth 与 DINO-Video 教师权重。

后训练以 RoboTwin 2.0 的 50 个任务为示例，需依次准备 LeRobot 数据集、机器人配置文件和归一化统计信息。训练时使用序列级辅助损失（系数 1e-3）与 z-loss（系数 1e-4）稳定 MoE 路由，并默认启用 Muon 优化器，也可切换回 AdamW。仓库同时提供了面向真实机器人的原生深度配置文件 real_robot.yaml，方便下游直接接入。

环境依赖方面，官方建议使用 Python 3.12 与 PyTorch 2.8.0，通过 tools/create_train_env.sh 一键创建 Conda 环境，并默认安装 flash-attn 2.8.3。