蚂蚁灵波开源具身基座模型LingBot-VLA真机后训练代码
蚂蚁集团开源具身智能模型LingBot-VLA的真机训练工具链,覆盖数据处理至部署全流程。该模型基于超2万小时真实机器人数据预训练,适配多种机器人构型,仅需少量数据即可实现任务迁移,并已通过真机验证。代码与模型已开源。
5月13日,蚂蚁集团旗下的具身智能公司灵波科技发布了一项重要开源:其具身基座模型 LingBot-VLA 的真机后训练工具链。这意味着,开发团队现在可以利用这套工具,结合自己的数据,将 LingBot-VLA 快速适配到特定的机器人和任务场景中。

当前,具身智能领域的开源模型选择越来越多,但“最后一公里”的问题依然突出——如何把模型顺利部署到自家的真机上?不同机器人在机械臂构型、末端执行器、传感器配置乃至控制接口上都千差万别,开发团队往往需要投入大量精力进行工程适配。这套适配链路,过去通常是各家的核心“秘籍”,很少完整对外开放。
灵波此次开源,正是瞄准了真机适配过程中的几个核心痛点。工具链覆盖了四个关键环节:首先是数据处理工具,支持合并多种LeRobot格式数据,并对关节维度映射进行标准化;其次是面向真机场景优化的训练配置;再者是离线评测工具;最后是支持编译加速的真机部署模块。为了方便不同需求的团队,模型还提供了包含深度信息和不含深度信息的两个版本。
那么,LingBot-VLA 这个基座模型本身实力如何?它基于超过2万小时的真实机器人数据进行预训练,覆盖了9种主流双臂机器人构型,因此在跨本体和跨任务泛化能力上表现突出。根据官方数据,无论是在真机测试还是仿真环境中,LingBot-VLA 的性能均优于行业基准模型 π0.5。目前,该模型已经与乐聚、松灵、星海图等多家机器人厂商完成了多机型验证。
更值得关注的是其效率。据悉,LingBot-VLA 仅需大约150条演示数据,就能实现高质量的任务迁移。这背后离不开底层代码库的深度优化,其训练效率达到了 StarVLA、OpenPI 等主流框架的1.5到2.8倍,这无疑大幅降低了模型适配所需的数据收集成本和算力开销。
目前,LingBot-VLA 的完整代码库已在 GitHub 平台开源,模型权重也同步发布于 Hugging Face 和 ModelScope 社区。对于正在探索具身智能落地的团队来说,这或许是一个值得深入评估的选项。


































