LingBot-VLA 采用了创新的“混合 Transformer”架构。 它以 Qwen2.5-VL 作为多模态主干，能够同时处理多视角图像和自然语言指令。 与此同时，模型内置的“动作专家”分支会实时结合机器人的自身状态，通过条件流匹配技术，输出平滑且连续的控制轨迹，确保了双臂协作的精准度。

此外，针对传统模型在空间深度感知上的弱点，蚂蚁集团引入了 LingBot-Depth 空间感知模型。 通过特征蒸馏技术，LingBot-VLA 即使在传感器数据缺失的情况下，也能展现出卓越的3D 空间推理能力，在叠放、插入、折叠等精细化任务中表现尤为出色。

在包含100项挑战任务的 GM-100现实世界基准测试中，带深度感知版本的 LingBot-VLA 成功率达到17.30%，显著优于 π0.5和 GR00T N1.6等同类模型。 研究还发现，该模型具有极高的数据效率，仅需约80条特定任务的演示数据，即可快速适配新机器人。

目前，蚂蚁集团已将 LingBot-VLA 的全套训练工具包和模型权重正式开源。 该工具包针对大规模 GPU 集群进行了优化，训练吞吐量比现有主流框架提升了1.5至2.8倍。 这一举措将极大降低机器人大模型的开发门槛，推动具身智能技术向更多实际应用场景渗透。

论文：https://arxiv.org/pdf/2601.18692