桌上的冰球朝机器人飞过来，难点不是看见球，而是在球还没到之前判断它会去哪里。
7 月 10 日，蚂蚁灵波发布 LingBot-VA 2.0，把这个问题摆到机器人“大脑”正中间：让模型一边预测世界下一步的变化，一边生成自己的动作。它延续了灵波这一周密集发布的视觉、VLA、世界模型线，但焦点已经从“看清楚”转到“提前动”。
从视频模型转向动作模型
今年很多机器人世界模型还沿着视频生成路线走：先做一个擅长画面的模型，再通过微调让它适配控制任务。这个做法看起来省力，短板也明显。内容创作模型关心画质、连续性和镜头观感，机器人控制关心动作是否来得及、是否符合因果、能不能在传感器更新后立刻修正。
LingBot-VA 2.0 选择从自回归架构重新预训练。量子位和新京报贝壳财经的报道都提到，它使用语义视觉-动作分词器，把视觉压缩和动作信息对齐；训练阶段遵循单向因果顺序；主干引入 MoE；执行时用异步推理做实时闭环控制。
这套设计的目标很具体：机器人执行动作时，不只根据当前画面反应，还要持续估计动作会怎样改变环境。
150Hz 是这次最硬的门槛
发布材料给出的一个数字是单卡 150Hz 实时推理。这个口径不能和视频生成的帧率混在一起看，它对应的是机器人闭环控制里的推理频率：传感器读到新状态，模型更新预测，再给出下一步动作。
公开 GitHub 仓库也给了 VA 系列的可复现入口和评测表。在 RoboTwin 2.0 的 50 个平均任务上，仓库列出的 LingBot-VA 成绩为 Easy SR 92.9%、Hard SR 91.6%，高于 Motus 的 88.7% 和 87.0%。在 LIBERO 上，LingBot-VA 平均 98.5%，X-VLA 为 98.1%，π0.5 为 96.9%。
真实任务部分更能看出限制条件。仓库列了 6 类操作任务，包括做早餐、取螺丝、插管、拆包裹、叠衣服和叠裤子，每个任务 50 次试验。LingBot-VA 在“拆包裹”任务的成功率是 65%，π0.5 是 25%；在“叠裤子”任务上是 70%，π0.5 是 30%。但“叠衣服”的进度分数仍低于 π0.5，说明它还没有把所有柔性物体任务一口气抹平。
开源让验证可以往下走
这条新闻和 7 月 7 日的 LingBot-Depth、LingBot-Vision 不重复。前一篇文章看的是机器人视觉底座：深度补全、边界、空间感知。LingBot-VA 2.0 看的是更靠后的控制层：预测未来画面和生成动作能不能放进同一条链路。
仓库现在给出的工程门槛也不低。RoboTwin 单 GPU 评测约需 24GB 显存；图像到视频-动作生成约需 18GB 显存；自定义数据要转成 LeRobot 格式，动作维度按 30 维组织，视频 latent 通常参考 256×256、5-15fps。换成普通开发者的话，这仍是研究型工具，不是打开网页就能拖机器人干活的产品。
蚂蚁灵波 CEO 朱兴的表述也落在生态上：
“一方面灵波将持续探索具身智能新上限，另一方面也将加速构建开放的技术生态和场景生态，助力机器人加速走向产业场景。”
这里的可验证节点在两处。第一，模型权重、后训练数据和 Apache-2.0 许可已经能在 GitHub、Hugging Face 查到，社区可以复现实验。第二，灵波将在 7 月 17 日至 20 日的 WAIC 展示全栈大脑 2.0 落地场景，届时更容易看出 150Hz 推理和真实场景控制之间差多少。
对国内具身智能意味着什么
国内机器人公司过去常把注意力放在本体、关节、电机和数据采集上，大脑层经常被拆成视觉、语言、动作几个模块拼起来。LingBot-VA 2.0 给出的路线是把视频预测和动作生成放进同一个模型序列里，让“看见变化”和“决定动作”在训练目标上靠近。
这不是一个立刻改变机器人商业化的发布。工厂、仓储、服务场景需要的是长时间稳定运行、低维护成本和明确 ROI，论文表格离这些指标还有距离。但它把行业争论推进了一步：具身智能的基础模型到底应不应该从数字视频模型迁移而来，还是要从机器人控制的第一天开始设计。
如果 WAIC 现场演示能跑出足够稳定的多轮任务，灵波这条“具身原生”路线会获得更多机器人公司跟进。若演示仍停留在少数样例，150Hz 和高分榜单就只能说明模型潜力，距离产业现场还要再过一轮硬仗。
参考来源：量子位、新京报贝壳财经；Robbyant GitHub README 核验 RoboTwin 2.0、LIBERO、真实任务评测、模型仓库与 Apache-2.0 许可；CocoLoop、Hugging Face 模型卡核验 arXiv 2601.21998、robotics 标签和模型开放状态。