2026年1月29日，蚂蚁集团旗下灵波科技发布具身智能世界模型LingBot-World；次日即1月30日，再发布自回归视频-动作世界模型LingBot-VA。两款模型均完全开源，定位明确且技术路径互补。

LingBot-World被定位为开源版Genie3，具备高保真、可控制、逻辑一致的模拟环境生成能力，融合世界知识与物理规律理解。其在视频质量、动态程度、长时序一致性及交互能力等关键指标上达行业领先水平。

LingBot-VA则定义为“自回归视频-动作世界模型”，通过视频序列预测下一动作，并解码为具体机器人操作指令，实现大脑与真实世界的闭环交互。在LIBERO与RoboTwin主流基准测试中，任务成功率分别达98.5%和92%以上；针对具身控制中长期存在的“长时漂移”难题，复杂任务成功率超98%。

LingBot-World采用三层数据引擎：数据获取、数据剖析、数据标注，整合真实视频、游戏视频及虚幻引擎合成渲染数据；训练分三阶段：通用视频预训练建立高保真先验、引入MoE架构注入世界知识与动作可控性、部署因果注意力适配与少步蒸馏，将双向扩散模型转化为低延迟（<1秒）自回归系统。

LingBot-VA基于MoT（Mix-of-Transformer）架构，将视频流Token与动作流Token交错映射至统一潜空间，实现跨模态对齐。通过视频稀疏化处理、模态专属Transformer模块、噪声增强策略及注意力掩码机制，保障动作预测由自回归推理驱动而非模型幻觉生成。系统引入异步推理流水线，使动作预测与电机执行并行化，支撑真机实时闭环控制。

LingBot-VA具备显式记忆能力，在计数与寻物两项记忆任务中取得满分；实测显示，仅需30–50条演示数据即可完成新场景适配，显著低于传统VLA架构所需样本量。在叠被子等经典任务中，相较π0.5模型表现出明显完成度优势。

LingBot-World与LingBot-VA同属灵波科技LingBot家族，此前已开源LingBot-Depth（高精度空间感知模型）与LingBot-VLA（具身大模型）。LingBot-Depth提供物理世界深度感知能力；LingBot-VLA在Depth赋能下实现跨本体、跨任务泛化操作；LingBot-World构建虚拟训练场；LingBot-VA探索可推演、可闭环的行动生成范式。

灵波科技强调所有模型均深度开源，旨在降低具身开发者训练与部署门槛，支持二次开发与真机验证。团队指出，VLA与世界模型的深度融合是通往通用具身智能的核心路径，当前技术路线兼顾理想主义目标与现实产业需求，聚焦解决开源生态中的实际问题，持续扩充具身基础工具库能力边界。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。