口腔医院网站优化服务商建设地产网站

口腔医院网站优化服务商,建设地产网站,做游戏的网站,本科自考科目有哪些LingBot-VLA 具身大模型全面开源 魔搭ModelScope社区 2026年1月29日 14:35 浙江 继昨日开源高精度空间感知模型 LingBot-Depth 后#xff0c;今天#xff0c;蚂蚁灵波团队为大家带来了具身大模型 LingBot-VLA。 蚂蚁灵波科技 在上海交通大学开源的具身评测基准 GM-100&…LingBot-VLA 具身大模型全面开源魔搭ModelScope社区2026年1月29日 14:35浙江继昨日开源高精度空间感知模型LingBot-Depth 后今天蚂蚁灵波团队为大家带来了具身大模型 LingBot-VLA。蚂蚁灵波科技在上海交通大学开源的具身评测基准 GM-100包含 100 项真实操作任务测试中LingBot-VLA 在 3 个不同的真实机器人平台上跨本体泛化平均成功率相较于Pi0.5 的 13.0% 提升至 15.7%w/o Depth。引入深度信息w/ Depth后空间感知能力增强平均成功率进一步攀升至 17.3%展现了 LingBot-VLA 强大的准确性和泛化性。在 GM-100 真机评测中LingBot-VLA 跨本体泛化性能领先在 RoboTwin 2.0 仿真基准包含50项任务评测中面对高强度的环境随机化干扰如光照、杂物、高度扰动LingBot-VLA 凭借独特的可学习查询对齐机制高度融合深度信息操作成功率比 Pi0.5 提升了 9.92%实现了从虚拟仿真到真实落地的全方位性能领跑。在 RoboTwin 2.0 仿真评测中LingBot-VLA 跨任务泛化性能领先01 Scaling Law 下的大规模真机数据预训练长期以来由于本体差异、任务差异、环境差异等具身智能模型落地面临严重的泛化性挑战。开发者往往需要针对不同硬件和不同任务重复采集大量数据进行后训练直接抬高了落地成本也使行业难以形成可规模化复制的交付路径。针对上述问题团队基于在海量真实世界数据上的预训练第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 Scaling Law。项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000最终至 20,000 小时模型在下游任务的成功率获得持续且显著的提升。值得注意的是预训练数据量达到 20,000 小时时模型性能仍呈现上升趋势表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性为未来的 VLA 开发和大规模数据挖掘提供了重要启示。依此研究结果团队仔细构造了20,000小时的真实机器人训练数据涵盖了9种主流的双臂机器人构型包括 AgileX Cobot MagicGalaxea R1Pro、R1Lite 、AgiBot G1等。为了进行精确的数据标注数据里的视频由人工标注者按原子动作进行切分并用大模型标注视频对应任务和子任务。在 codebase 的开发中适配了 Fully Sharded Data Parallel (FSDP) 分布式、混合精度、算子融合等优化从而让同一个“大脑”可以快速迁移至不同形态的机器人上并在任务变化、环境变化时保持可用的成功率与鲁棒性。02 深度信息辅助的机器人操控性能提升真机实验结果仿真实验结果为了显式捕捉操控环境中的空间感知能力并进一步提升机器人执行的鲁棒性团队采用了一种基于查询向量query的深度蒸馏方法。具体而言团队引入了与三视角操作图像相对应的可学习 queries这些 queries 经 VLM 处理后与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明深度信息的融入提升了 LingBot-VLA 的操控性能。03 后训练成本低、效率高、代码全开源真正实用的 VLA 模型得益于涵盖主流构型和详尽任务的大规模预训练LingBot-VLA 具备强大的通用操控能力并且能够将其高效迁移到多样的下游机器人任务中。实验表明LingBot-VLA 在下游任务中能够使用更少的数据达到超越 π0.5 的性能并且性能优势会随着数据量的增加而持续扩大。目前LingBot-VLA 已与星海图、松灵、乐聚等知名机器人厂商完成适配验证了模型在不同构型机器人上的跨本体迁移能力。与此同时团队构建了一套高效的后训练工具链在 8 卡 GPU 配置下实现了单卡每秒 261 个样本的吞吐量其训练效率达到 StarVLA、OpenPI 等主流框架的 1.5~2.8 倍实现了数据与算力成本的双重降低。此次开源团队不仅提供了模型权重还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。团队希望这一举措可以大幅压缩模型训练周期降低商业化落地的算力与时间门槛助力开发者以更低成本快速适配自有场景提升模型实用性。目前团队的模型、后训练代码、技术报告、以及团队和上海交大共同打造的 GM-100 Benchmark 已全部开源欢迎大家访问团队的开源仓库。Websitehttps://technology.robbyant.com/lingbot-vlaModelhttps://huggingface.co/collections/robbyant/lingbot-vlahttps://www.modelscope.cn/collections/Robbyant/LingBot-VLADatasets:https://huggingface.co/datasets/robbyant/lingbot-GM-100Code:https://github.com/Robbyant/lingbot-vlaTech Report:https://arxiv.org/abs/2601.18692具身智能的大规模应用依赖高效的具身大模型这直接决定了模型是否可用以及能否用得起。团队希望通过 LingBot-VLA 的开源积极探索具身智能上限推进具身智能研发早日进入可复用、可验证、可规模化落地的新阶段。本周团队已相继开源 LingBot-Depth 和 LingBot-VLA 两款模型未来几天团队还将陆续为大家带来团队在具身智能领域智能基座方向的更多成果。团队期待与全球开发者、研究者、产业伙伴一起加速具身智能技术的迭代与规模化应用助力 AGI 更快到来。