20種機(jī)器人本體通吃！螞蟻新一代VLA具身大腦剛剛開源了

編輯｜杜偉

時(shí)隔 5 個(gè)月后，螞蟻靈波亮出了自家新一代具身智能大腦。這一次，它試圖把跨本體 VLA 從單點(diǎn) Demo，推向可復(fù)現(xiàn)、可高效后訓(xùn)練與可部署的工程鏈路。

2026 開年以來，具身智能最重要的技術(shù)路線之一 VLA（視覺-語言-動(dòng)作）， 其受行業(yè)關(guān)注的程度以及向前推進(jìn)的速度超出了很多人的想象。

科技巨頭英偉達(dá)推出專為人形機(jī)器人打造的開放 VLA 系列 GR00T N1.6 和 GR00T N1.7，具身智能獨(dú)角獸 Physical Intelligence 推出的 π0.7 展現(xiàn)出了組合泛化、跨本體遷移能力。在國內(nèi)，VLA 領(lǐng)域同樣是百花齊放，涌現(xiàn)出了以螞蟻靈波 LingBot-VLA 為代表的基座模型。

它們的出現(xiàn)讓行業(yè)形成共識(shí)：機(jī)器人要進(jìn)入開放環(huán)境，必須把視覺理解、語言指令和動(dòng)作生成放進(jìn)同一個(gè)模型框架里。同時(shí)，當(dāng)把機(jī)器人從實(shí)驗(yàn)室搬到開放場景，各種現(xiàn)實(shí)問題很快出現(xiàn)：桌子高度變了、物體位置偏了、任務(wù)步驟被拉長了，換一臺(tái)機(jī)器人本體又得重新適配。

不少 VLA Demo 已經(jīng)能在特定設(shè)置下跑通，但距離穩(wěn)定執(zhí)行、跨本體泛化和低成本規(guī)模化部署，仍需要跨過數(shù)據(jù)、本體適配、工程系統(tǒng)等多重阻礙。這也是 VLA 進(jìn)入深水區(qū)的原因，并帶來了更現(xiàn)實(shí)的技術(shù)難題：機(jī)器人需要一顆什么樣的通用大腦？

面對(duì)真實(shí)世界的多樣機(jī)器人任務(wù)，螞蟻靈波今天正式發(fā)布新一代具身基座模型 LingBot-VLA 2.0。

相較于上代版本，此次 LingBot-VLA 2.0 死磕「一腦多機(jī)」這個(gè)行業(yè)核心問題，對(duì) 17 家廠商的20 種機(jī)器人構(gòu)型實(shí)現(xiàn)了支持，并將動(dòng)作范圍從機(jī)械臂擴(kuò)展到頭部、腰部、末端執(zhí)行器和移動(dòng)底盤等全身自由度。

做到如此程度的跨構(gòu)型泛化，螞蟻靈波在包括數(shù)據(jù)管線、動(dòng)態(tài)建模和空間感知在內(nèi)的多個(gè)層面給出了獨(dú)到解法：在6 萬預(yù)訓(xùn)練高質(zhì)量數(shù)據(jù)的基礎(chǔ)上，引入未來預(yù)測能力，更能把握任務(wù)狀態(tài)的持續(xù)演化；同時(shí)默認(rèn)融合自家模型 LingBot-Depth 的空間感知能力，增強(qiáng)機(jī)器人對(duì)距離、空間關(guān)系和場景結(jié)構(gòu)的判斷。

這樣的組合，讓 LingBot-VLA 2.0 在多構(gòu)型適配、連續(xù)任務(wù)執(zhí)行和真實(shí)場景操作中有了更強(qiáng)支撐。

https://mp.weixin.qq.com/s/fF9D9Vvx3PsFrdy94eKyVg

全方位加強(qiáng)的能力，讓 LingBot-VLA 2.0 在多項(xiàng)基準(zhǔn)測試中的表現(xiàn)有了立竿見影的提升。其中，在上海交通大學(xué) GM-100 評(píng)測體系中，模型在 AgileX Cobot Magic 和 Galaxea R1 Pro 兩個(gè)雙臂機(jī)器人平臺(tái)上的平均任務(wù)進(jìn)度分和成功率均領(lǐng)先競品模型 GR00T N1.7 和 π0.5：

在移動(dòng)能力上，LingBot-VLA 2.0 基于「方舟機(jī)械臂 + 松靈底盤」和繩驅(qū)輪式人形機(jī)器人星塵智能 S1 兩類構(gòu)型，與 π0.5 進(jìn)行了初步對(duì)比測試。結(jié)果顯示，其在長程移動(dòng)操作任務(wù)中的任務(wù)進(jìn)度分和成功率相較于 π0.5 同樣取得領(lǐng)先，并在跨域場景中保持優(yōu)勢：

螞蟻靈波延續(xù)了上代的開源策略，一次性將 LingBot-VLA 2.0 的模型權(quán)重、訓(xùn)練代碼與技術(shù)報(bào)告開放了出來。開發(fā)者可以在 Hugging Face、魔搭社區(qū)獲取。

• 技術(shù)報(bào)告：From Foundation to Application: Improving VLA Models in Practice
• 報(bào)告地址：https://github.com/robbyant/lingbot-vla-v2/blob/main/assets/LingBot_VLA_2_0.pdf
• 項(xiàng)目頁面：https://technology.robbyant.com/lingbot-vla-v2
• 代碼庫：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

將同一個(gè)大腦安在 20 個(gè)本體上，LingBot-VLA 2.0 做了什么？

同一個(gè) VLA 模型跑到不同的機(jī)器人本體上，這件事實(shí)現(xiàn)起來并不容易。

機(jī)器人本體形態(tài)以及關(guān)節(jié)結(jié)構(gòu)、自由度、動(dòng)作空間、控制接口五花八門。模型首先要學(xué)會(huì)在不同本體之間遷移能力。此外，跨本體 VLA 的實(shí)現(xiàn)還要解決機(jī)器人全身協(xié)同、長序列任務(wù)演進(jìn)以及空間感知理解所面臨的諸多挑戰(zhàn)。

放在這樣的背景下，LingBot-VLA 2.0 的升級(jí)重點(diǎn)變得清晰：圍繞一腦多機(jī)的落地補(bǔ)齊能力短板。

強(qiáng)大的多本體泛化成為實(shí)現(xiàn)一腦多機(jī)的重要前提。LingBot-VLA 2.0 在預(yù)訓(xùn)練階段覆蓋17 個(gè)國內(nèi)外主流機(jī)器人品牌，包括樂聚、宇樹、智元、松靈、星海圖、銀河通用、星塵、睿爾曼、方舟、北京人形、傅立葉、魔法原子、千尋、零次方、非夕、青龍及 Franka，并共計(jì)支持 20 種機(jī)器人構(gòu)型，覆蓋單臂、雙臂、輪式、雙足等多種形態(tài)。

這樣的跨本體泛化能力，讓不同機(jī)器人平臺(tái)之間的重復(fù)適配成本下降。對(duì)于客戶來說，他們可以更快完成新本體、新任務(wù)和新場景的部署與落地。

但要做到一腦多機(jī)，只擴(kuò)大支持的本體類型還不夠。VLA 模型還要能夠處理多類型本體帶來的更復(fù)雜動(dòng)作空間。

面對(duì)真實(shí)場景機(jī)器人的全身協(xié)同需求，LingBot-VLA 2.0全面擴(kuò)充了對(duì)頭部、腰部、末端執(zhí)行器和移動(dòng)底盤等自由度的支持。頭部決定機(jī)器人看哪里，底盤決定從哪里接近目標(biāo)，腰部影響操作姿態(tài)，末端執(zhí)行器完成最終交互。只有多個(gè)自由度協(xié)同起來，機(jī)器人才能處理更接近真實(shí)場景的開放任務(wù)任務(wù)。

當(dāng)機(jī)器人換了身體與場景、任務(wù)鏈條也變長之后，一腦多機(jī)還要求 VLA 模型學(xué)會(huì)提前判斷任務(wù)變化，不能只根據(jù)眼前畫面做即時(shí)反應(yīng)。

LingBot-VLA 2.0 引入了未來預(yù)測（future prediction），其核心是讓模型在生成動(dòng)作時(shí)，除了理解當(dāng)前看到的內(nèi)容，還有能力預(yù)測接下來可能發(fā)生什么。

以機(jī)器人整理冰箱為例，它需要連續(xù)完成移動(dòng)、開門、抓取、放置、整理、清潔等多個(gè)環(huán)節(jié)，每一個(gè)環(huán)節(jié)都影響下一步動(dòng)作。未來預(yù)測的加入，使模型更能理解動(dòng)作后果，減少任務(wù)中途偏移和中斷。

https://mp.weixin.qq.com/s/fF9D9Vvx3PsFrdy94eKyVg

再往底層看，跨本體的實(shí)現(xiàn)離不開強(qiáng)大的三維空間感知能力。在機(jī)器人操作中，看見只是第一步。真正執(zhí)行動(dòng)作時(shí)，機(jī)器人還需要「眼觀六路，耳聽八方」。

LingBot-VLA 2.0 天然集成了自家LingBot-Depth的空間感知能力，讓模型在生成動(dòng)作前獲得更充分的環(huán)境理解。相比只依賴圖像和指令輸入，Depth 帶來的空間信息有助于機(jī)器人理解物體之間的空間關(guān)系、距離和場景結(jié)構(gòu)，從而在復(fù)雜物理環(huán)境中做出更穩(wěn)定的操作決策。

這項(xiàng)能力對(duì)于開放場景尤為關(guān)鍵。空間理解越充分，出現(xiàn)抓取偏差、碰撞風(fēng)險(xiǎn)和后續(xù)任務(wù)中斷的概率就越低。

螞蟻靈波給出的這套組合拳打法，讓跨本體 VLA 從 Demo 走向了工程現(xiàn)實(shí)。它的實(shí)現(xiàn)又可以拆分為上下兩層：上層是架構(gòu)，解決不同本體如何共用一套 VLA 能力；下層是數(shù)據(jù)，解決模型如何獲得足夠多、足夠干凈與足夠多構(gòu)型的真實(shí)操作經(jīng)驗(yàn)。

架構(gòu)升級(jí)：MoE 處理本體差異，雙查詢蒸餾補(bǔ)上未來預(yù)判

具體到方法上，LingBot-VLA 2.0 主要做了兩件事：用 MoE 處理多本體數(shù)據(jù)的差異，用雙查詢蒸餾補(bǔ)強(qiáng)空間理解和時(shí)序預(yù)判。

得益于 LingBot-VLA 2.0 底層采用了統(tǒng)一動(dòng)作表示，模型有了學(xué)習(xí)跨本體共性動(dòng)作模式的基礎(chǔ)。

在這個(gè)統(tǒng)一動(dòng)作空間之上，LingBot-VLA 2.0 進(jìn)一步引入了 MoE 架構(gòu)。我們知道，多本體機(jī)器人數(shù)據(jù)同時(shí)包含不同動(dòng)作空間、不同本體動(dòng)力學(xué)和不同任務(wù)分布。如果所有數(shù)據(jù)都被壓進(jìn)同一個(gè)稠密參數(shù)路徑，模型很容易在共性和差異之間相互干擾：一部分參數(shù)要學(xué)習(xí)通用操作邏輯，另一部分又要適配不同機(jī)器人身體的特定動(dòng)態(tài)。

因此，LingBot-VLA 2.0 在動(dòng)作專家中引入了 token-level loss-free MoE，用 MoE FFN 替代原有前饋網(wǎng)絡(luò)，讓模型在擴(kuò)大容量的同時(shí)更好吸收不同本體之間的共性和差異。

這里的關(guān)鍵有兩點(diǎn)：一是 loss-free MoE，它將專家負(fù)載均衡和主要?jiǎng)幼鲗W(xué)習(xí)目標(biāo)解耦，避免 MoE 輔助損失直接干擾動(dòng)作預(yù)測。對(duì)于 VLA 這種強(qiáng)依賴動(dòng)作學(xué)習(xí)的模型來說，主目標(biāo)越干凈，訓(xùn)練越不容易被額外約束帶偏。

二是 token-level 路由。LingBot-VLA 2.0 采用 sigmoid 路由，讓每個(gè) token 可以激活多個(gè)專家，其中輕量共享專家保留通用先驗(yàn)，路由專家負(fù)責(zé)更細(xì)分的建模能力。模型可以在 token 粒度決定哪些信息走通用路徑，哪些交給更專門的專家處理。

這套 MoE 的意義在于，讓通用能力與本體差異可以在同一個(gè)架構(gòu)中被同時(shí)建模。它解決的是「多機(jī)器人怎么一起學(xué)」的問題，接下來的雙查詢蒸餾則用于補(bǔ)強(qiáng)空間理解和時(shí)序預(yù)判。

具體來講，LingBot-VLA 2.0 在視覺和文本 token 中加入兩個(gè)可學(xué)習(xí)的 query，分別對(duì)應(yīng)當(dāng)前觀測和未來觀測。并且，這兩個(gè) query 從以下兩個(gè)教師模型中學(xué)習(xí)：

LingBot-Depth 提供了明確的幾何監(jiān)督，讓模型獲得深度、距離和空間結(jié)構(gòu)等線索；DINO-Video 提供帶因果時(shí)序的視頻表征，幫助模型理解視覺狀態(tài)、空間關(guān)系和動(dòng)作后果如何隨時(shí)間演化。

DINO-Video 是這套設(shè)計(jì)里的關(guān)鍵時(shí)序教師。它基于 Meta DINOv3 構(gòu)建，引入了 block-wise 因果時(shí)序注意力和 3D-RoPE，在互聯(lián)網(wǎng)視頻、第一視角視頻和機(jī)器人視頻組成的 500 萬視頻片段上訓(xùn)練。

這套雙查詢蒸餾框架，把當(dāng)前空間理解和未來狀態(tài)預(yù)測同時(shí)接入 VLA 的訓(xùn)練目標(biāo)。只看當(dāng)前幀，模型很容易陷入短視；具備未來幾何和語義表征后，模型才有機(jī)會(huì)提前判斷物體位置、空間關(guān)系和任務(wù)狀態(tài)的演化。這對(duì)長序列任務(wù)尤其重要。

LingBot-VLA 2.0 概覽

整體來看，MoE 負(fù)責(zé)提升模型對(duì)多本體異構(gòu)數(shù)據(jù)的建模，LingBot-Depth 補(bǔ)上空間感知能力，DINO-Video 加強(qiáng)對(duì)動(dòng)作過程和狀態(tài)演化的時(shí)序建模，它們讓 LingBot-VLA 2.0 在跨本體任務(wù)中學(xué)習(xí)更穩(wěn)定的動(dòng)作控制和未來預(yù)判能力。

數(shù)據(jù)工程：把異構(gòu)數(shù)據(jù)整理成一套可訓(xùn)練經(jīng)驗(yàn)

跨本體 VLA 的實(shí)現(xiàn)，同樣離不開大規(guī)模、高質(zhì)量的數(shù)據(jù)。LingBot-VLA 2.0 的另一項(xiàng)重磅升級(jí)，就發(fā)生在數(shù)據(jù)側(cè)。

對(duì)機(jī)器人基座模型來說，數(shù)據(jù)是能力增長的基礎(chǔ)設(shè)施。相較于語言模型的互聯(lián)網(wǎng)文本數(shù)據(jù)與視覺模型的圖像與視頻數(shù)據(jù)，機(jī)器人數(shù)據(jù)的獲得和標(biāo)準(zhǔn)化都更困難：采集成本高，控制信號(hào)和動(dòng)作標(biāo)注容易受到噪聲影響，不同本體之間存在差異，真實(shí)場景的覆蓋也更復(fù)雜。

LingBot-VLA 2.0 在數(shù)據(jù)管線和訓(xùn)練體系上進(jìn)行了系統(tǒng)性升級(jí)。

螞蟻靈波從 9 萬小時(shí)數(shù)據(jù)中清洗出 5 萬小時(shí)高質(zhì)量真機(jī)數(shù)據(jù)，并從 2 萬小時(shí)第一視角人類操作數(shù)據(jù)中提煉 1 萬小時(shí)有效數(shù)據(jù)，使預(yù)訓(xùn)練數(shù)據(jù)總量達(dá)到 6 萬小時(shí)。前者提供多本體機(jī)器人在真實(shí)物理環(huán)境中的操作經(jīng)驗(yàn)，后者補(bǔ)充了人類第一視角下的手物交互軌跡。

LingBot-VLA-2.0 所用預(yù)訓(xùn)練數(shù)據(jù)集的可視化。該數(shù)據(jù)集包含 20 種機(jī)器人本體，覆蓋機(jī)械臂、頭部、腰部、移動(dòng)底盤和靈巧手等自由度。

當(dāng)然，LingBot-VLA 2.0 的預(yù)訓(xùn)練數(shù)據(jù)不是簡單把不同來源的數(shù)據(jù)堆在一起。螞蟻靈波通過清洗、重建、標(biāo)準(zhǔn)化和統(tǒng)一表示，將數(shù)據(jù)轉(zhuǎn)化為模型可以學(xué)習(xí)的訓(xùn)練樣本。

先來看清洗流程，它主要看以下兩個(gè)條件：

一是軌跡是否可靠。團(tuán)隊(duì)會(huì)計(jì)算動(dòng)作信號(hào)和狀態(tài)信號(hào)的 jerk，也就是三階有限差分，同時(shí)計(jì)算速度和加速度的 Z-score，用來過濾動(dòng)作突變和信號(hào)異常的 episode。對(duì)于長時(shí)間幾乎沒有動(dòng)作變化的片段，也會(huì)被剔除。如果一個(gè) episode 中狀態(tài)和動(dòng)作信號(hào)僅有微小變化或基本不變的時(shí)間超過 95%，這段數(shù)據(jù)不會(huì)進(jìn)入最終訓(xùn)練集。

二是視頻和狀態(tài)信號(hào)是否對(duì)齊。團(tuán)隊(duì)會(huì)基于對(duì)應(yīng)機(jī)器人的 URDF，將機(jī)器人投影回圖像平面，并重放記錄狀態(tài)，再由人工檢查投影結(jié)果與真實(shí)視頻是否一致。畫面模糊、嚴(yán)重遮擋、掉幀，以及多視角不對(duì)齊的視頻，也會(huì)在標(biāo)注過程中被過濾。

接下來關(guān)于 LingBot-VLA 2.0 引入的 1 萬小時(shí)第一視角人類操作數(shù)據(jù)，同樣會(huì)先經(jīng)過視頻級(jí) VLM 預(yù)篩，去掉第三人稱視角、無明確手物交互、無可操作物體等。

此外，對(duì)于已有動(dòng)作或手部軌跡標(biāo)簽的數(shù)據(jù)，還會(huì)統(tǒng)一做元數(shù)據(jù)處理、時(shí)間戳對(duì)齊、坐標(biāo)轉(zhuǎn)換和軌跡完整性檢查。對(duì)于沒有標(biāo)簽的視頻，通過 egocentric SLAM 和手部姿態(tài)估計(jì)，恢復(fù)相機(jī)運(yùn)動(dòng)和手部軌跡，并轉(zhuǎn)換到世界坐標(biāo)系下。隨后繼續(xù)過濾手部姿態(tài)覆蓋不足、SLAM 軌跡不穩(wěn)定、手部軌跡突變或違反人體生理約束的樣本。

而為了讓機(jī)器人數(shù)據(jù)和第一視角人類視頻可以放進(jìn)同一套訓(xùn)練框架，LingBot-VLA 2.0 采用了 55 維統(tǒng)一狀態(tài)與動(dòng)作表示，覆蓋機(jī)械臂關(guān)節(jié)、末端執(zhí)行器位姿、夾爪、手部關(guān)節(jié)、腰部、頭部和移動(dòng)信號(hào)等信息，并預(yù)留 4 個(gè)維度。另外，對(duì)于單臂機(jī)器人或者缺少某些身體部位的本體，缺失維度通過 padding 補(bǔ)齊。

LingBot-VLA 2.0 機(jī)器人操作數(shù)據(jù)統(tǒng)計(jì)概覽。

數(shù)據(jù)經(jīng)過清洗和統(tǒng)一表示后，還需要補(bǔ)上語言標(biāo)注。VLA 模型訓(xùn)練時(shí)，既要看到機(jī)器人怎么動(dòng)，也要知道一段動(dòng)作分別對(duì)應(yīng)什么任務(wù)、每一步在完成什么目標(biāo)。

為此，螞蟻靈波搭建了一套由 VLM 驅(qū)動(dòng)的自動(dòng)標(biāo)注管線，用來處理多本體數(shù)據(jù)集中的機(jī)器人操作視頻。使用 Qwen3.6-27B 將操作視頻切分為連續(xù)子任務(wù)，并生成對(duì)應(yīng)語言指令。對(duì)于配備多攝像頭的機(jī)器人平臺(tái)，系統(tǒng)會(huì)同時(shí)處理俯視視角和腕部視角，幫助判斷夾爪與物體之間的交互關(guān)系，減少單視角帶來的歧義。

每個(gè)子任務(wù)會(huì)獲得三類標(biāo)注，分別是原子動(dòng)作、主要交互物體和簡潔指令。同時(shí)，整段視頻生成一條任務(wù)級(jí)指令，用來概括整體任務(wù)。

為了保持不同本體之間的標(biāo)注一致性，團(tuán)隊(duì)還將一次交互中的抓取、搬運(yùn)和釋放合并為一個(gè)連續(xù)子任務(wù)，只有在操作對(duì)象發(fā)生變化、動(dòng)作類型切換或持續(xù)停頓指向新目標(biāo)時(shí)，才劃分新的時(shí)間邊界。

結(jié)果就是，機(jī)器人操作視頻被整理成了任務(wù)級(jí)與子任務(wù)級(jí)語言監(jiān)督信號(hào)。VLA 模型在預(yù)訓(xùn)練中學(xué)習(xí)到整段任務(wù)的目標(biāo)以及每一步動(dòng)作與物體交互之間的對(duì)應(yīng)關(guān)系。

子任務(wù)標(biāo)注中各類動(dòng)作的統(tǒng)計(jì)數(shù)據(jù)。

通過將不同本體、不同自由度、不同來源的數(shù)據(jù)整理成可共同訓(xùn)練的機(jī)器人經(jīng)驗(yàn)， 螞蟻靈波為 LingBot-VLA 2.0 的跨本體訓(xùn)練打下了數(shù)據(jù)根基。

高效后訓(xùn)練：補(bǔ)上部署短板

有了空間感知、未來預(yù)測等架構(gòu)層面的升級(jí)以及更大規(guī)模、更高質(zhì)量的異構(gòu)數(shù)據(jù)供給，LingBot-VLA 2.0 才能在跨本體、長序列和真實(shí)場景任務(wù)中表現(xiàn)出更強(qiáng)的綜合能力。

但當(dāng)具身模型進(jìn)入產(chǎn)業(yè)試點(diǎn)階段，客戶關(guān)心的問題會(huì)變得非常實(shí)際：接入一個(gè)新機(jī)器人本體需要多久？模型推理能不能跟上環(huán)境變化？機(jī)器人執(zhí)行動(dòng)作時(shí)，響應(yīng)延遲能否控制在可用范圍內(nèi)？

這些問題最后都會(huì)落到同一件事上：模型能否在更低成本與更短周期下，適配新任務(wù)、新場景和新本體。因此，高效后訓(xùn)練成為通用 VLA 模型實(shí)際部署的關(guān)鍵能力。

LingBot-VLA 2.0 同步開源了更高效后訓(xùn)練版本，推理耗時(shí)在 RTX 4090 控制在 130ms 以內(nèi)。

這樣一來，LingBot-VLA 2.0 可以把新任務(wù)、新場景、新本體的適配成本往下壓，讓機(jī)器人更快完成接入、訓(xùn)練、驗(yàn)證和迭代。

LingBot-VLA 2.0 的技術(shù)路線，展示了跨本體 VLA 正在發(fā)生的一些變化。

過去，很多 VLA 展示更容易被單個(gè)任務(wù)視頻定義：機(jī)器人聽懂指令、識(shí)別物體并完成動(dòng)作。而現(xiàn)在，判斷一個(gè) VLA 模型有沒有價(jià)值，尤其是能不能走向跨本體操作，更看重其背后有沒有一整套可擴(kuò)展、可復(fù)現(xiàn)、可部署的實(shí)現(xiàn)鏈路。

由此，更底層的能力越來越重要，包括數(shù)據(jù)統(tǒng)一、動(dòng)作空間的對(duì)齊、跨本體差異的吸收、長序列任務(wù)的時(shí)空建模、模型的后訓(xùn)練等。

LingBot-VLA 2.0 一定程度上反映出了 VLA 接下來的發(fā)展趨勢：跨本體能力很難只靠更大的模型自然涌現(xiàn)，它更需要數(shù)據(jù)工程、統(tǒng)一表示、稀疏架構(gòu)、時(shí)空監(jiān)督和后訓(xùn)練體系的共同支撐。

通用具身大腦，最終還是要回到不同的機(jī)器人本體和真實(shí)場景任務(wù)中反復(fù)驗(yàn)證。未來跨本體 VLA 的繼續(xù)演進(jìn)，靠的也正是這些決定模型能否真正跑起來的底層環(huán)節(jié)。