Ant Group presenta LingBot-VLA 2.0, un modelo abierto para controlar robots de cualquier diseño

Robbyant, la división de robótica de Ant Group, lanzó LingBot-VLA 2.0 el 8 de julio de 2026. Es un modelo abierto de visión-lenguaje-acción de 6.000 millones de parámetros para controlar robots de distintos diseños, publicado con licencia Apache 2.0.

Con qué datos se entrenó el modelo

LingBot-VLA 2.0 se preentrenó con unas 60.000 horas de datos, según MarkTechPost. De ellas, 50.000 horas son trayectorias de robots recogidas en 20 configuraciones distintas, y otras 10.000 horas son vídeo egocéntrico en primera persona de personas realizando tareas domésticas y de manipulación.

• Desarrollador: Robbyant, división de Ant Group; lanzamiento el 8 de julio de 2026
• Licencia: Apache 2.0, con el checkpoint del modelo disponible para descarga
• Tamaño del modelo: 6.000 millones de parámetros (6B)
• Datos de preentrenamiento: unas 60.000 horas (50.000 horas de trayectorias de robots en 20 configuraciones + 10.000 horas de vídeo con personas)
• Espacio de acciones unificado: 55 dimensiones para todos los tipos de robot

Cómo controla el modelo a robots distintos

LingBot-VLA 2.0 traduce el control de cualquier robot a un único espacio de acciones canónico de 55 dimensiones, que abarca brazos, manos diestras, cintura, cabeza y plataformas móviles, explica MarkTechPost. Así resuelve el principal problema de los modelos cross-embodiment: antes, cada diseño de robot, con distinto número de articulaciones, tipo de agarre o presencia de base móvil, exigía entrenar un modelo de control propio. El espacio de acciones unificado permite que un mismo checkpoint funcione en las 20 configuraciones.

Un módulo de acciones a nivel de token basado en Mixture-of-Experts ayuda a escalar el modelo sin perder calidad y prescinde de una función de pérdida auxiliar para equilibrar la carga entre expertos. Esto permite aumentar la capacidad del modelo sin añadir un término extra a la función de pérdida, que suele ralentizar y complicar el entrenamiento de este tipo de arquitecturas.

De dónde obtiene el modelo la geometría y el tiempo

La destilación dual-query a partir de los modelos LingBot-Depth y DINO-Video añade supervisión geométrica y temporal, que ayuda a LingBot-VLA 2.0 a tener en cuenta el estado futuro de la escena al elegir una acción, según MarkTechPost. Es decir, el modelo "entiende" de antemano cómo cambiarán la geometría de la escena y la posición de los objetos tras el paso actual, en lugar de reaccionar solo a un fotograma estático.

Cuánto supera LingBot-VLA 2.0 a sus competidores

En el conjunto de pruebas GM-100 para robots-agente de propósito general, LingBot-VLA 2.0 superó a π0.5 y a la versión anterior, LingBot-VLA-1.0, en las dos plataformas robóticas evaluadas, informa MarkTechPost. Que supere a la vez a su predecesor y a un modelo de terceros en el mismo benchmark indica que las mejoras (el espacio de acciones unificado, el módulo MoE y la destilación dual-query) aportan una mejora medible de calidad, y no solo más parámetros.

Qué significa

Un modelo abierto de 6.000 millones de parámetros que rinde igual de bien en 20 configuraciones de robot distintas reduce la barrera de entrada para los equipos que quieren entrenar robots-agente de propósito general sin recopilar un conjunto de datos aparte para cada diseño concreto.

Preguntas frecuentes

¿Qué significa la sigla VLA en el nombre del modelo?

VLA significa vision-language-action (visión-lenguaje-acción). El modelo procesa una imagen y una instrucción de texto y genera una acción del robot en una sola pasada.

¿Se puede usar LingBot-VLA 2.0 gratis?

Sí. El modelo se publica con licencia Apache 2.0, que permite el uso libre, la modificación y el uso comercial del checkpoint, incluida su integración en productos de robótica propios.