Robbyant открыл LingBot-VLA 2.0: 6B-модель для роботов научилась управлять «чужими» манипуляторами

Подразделение Ant Group Robbyant представило LingBot-VLA 2.0 — открытую фундаментальную модель для управления роботами. Релиз включает техотчёт, код под лицензией Apache-2.0 и контрольную точку на 6 миллиардов параметров. Ключевая цель — преодолеть разрыв между лабораторными успехами VLA-моделей и их реальным применением: модель должна работать не только в идеальных условиях, но и на разных роботах.

Архитектура основана на Qwen3-VL-4B-Instruct, дополненном специализированным MoE-блоком (Mixture-of-Experts) для генерации действий. Один инференс занимает около 130 мс на NVIDIA GeForce RTX 4090D (10 шагов шумоподавления). Два учителя — LingBot-Depth и DINO-Video — обучают модель через дистилляцию.

Данные: 60 000 часов предобучения — 50 000 часов роботов и 10 000 часов эгоцентричных человеческих видео. Сырой пул был больше (~90 000 + 20 000 часов), но очищен фильтрацией: отбрасывались эпизоды с аномальной плавностью, статикой (>95%), размытием или рассогласованием кадров. Аннотация автоматизирована через Qwen3.6-27B — видео разбиваются на подзадачи, каждая получает действие из закрытого словаря из 18 категорий.

Унификация: все роботы сведены к 55-мерному каноническому вектору (14 осей рук, 2 позиции захвата, 12 суставов кистей, 4 талии, 2 головы, 3 мобильности). Недостающие части тела дополняются нулями — это позволяет модель управлять однорукими, двурукими и полноразмерными гуманоидами. Прогнозирование динамики реализовано через два learnable-запроса: для текущего и будущего наблюдений.