Ant Group dévoile LingBot-VLA 2.0, un modèle ouvert pour piloter des robots de toute conception

Robbyant, la division robotique d'Ant Group, a publié LingBot-VLA 2.0 le 8 juillet 2026. Il s'agit d'un modèle ouvert vision-langage-action de 6 milliards de paramètres, destiné à piloter des robots de conceptions variées et distribué sous licence Apache 2.0.

Sur quelles données le modèle a été entraîné

LingBot-VLA 2.0 a été pré-entraîné sur environ 60 000 heures de données, selon MarkTechPost. Parmi elles, 50 000 heures sont des trajectoires de robots collectées sur 20 configurations différentes, et 10 000 heures sont des vidéos égocentriques à la première personne de personnes réalisant des tâches domestiques et de manipulation.

• Développeur : Robbyant, division d'Ant Group ; sortie le 8 juillet 2026
• Licence : Apache 2.0, avec le checkpoint du modèle disponible au téléchargement
• Taille du modèle : 6 milliards de paramètres (6B)
• Données de pré-entraînement : environ 60 000 heures (50 000 heures de trajectoires de robots sur 20 configurations + 10 000 heures de vidéos de personnes)
• Espace d'actions unifié : 55 dimensions pour tous les types de robots

Comment le modèle pilote des robots différents

LingBot-VLA 2.0 ramène le contrôle de n'importe quel robot à un seul espace d'actions canonique à 55 dimensions, qui couvre les bras, les mains dextres, la taille, la tête et les plateformes mobiles, explique MarkTechPost. Cette approche résout le principal problème des modèles cross-embodiment : auparavant, chaque conception de robot, avec son nombre d'articulations, son type de préhenseur ou la présence d'une base mobile, exigeait d'entraîner un modèle de contrôle distinct. L'espace d'actions unifié permet au même checkpoint de fonctionner sur les 20 configurations.

Un module d'actions au niveau du token, fondé sur une architecture Mixture-of-Experts, aide à faire monter le modèle en échelle sans perte de qualité et se passe de fonction de perte auxiliaire pour équilibrer la charge entre experts. On peut ainsi augmenter la capacité du modèle sans ajouter de terme supplémentaire à la fonction de perte, ce qui ralentit et complique d'ordinaire l'entraînement de ce type d'architectures.

D'où le modèle tire la géométrie et le temps

La distillation dual-query à partir des modèles LingBot-Depth et DINO-Video apporte une supervision géométrique et temporelle, qui aide LingBot-VLA 2.0 à prendre en compte l'état futur de la scène au moment de choisir une action, selon MarkTechPost. Autrement dit, le modèle « comprend » à l'avance comment la géométrie de la scène et la position des objets vont évoluer après l'étape en cours, au lieu de réagir uniquement à une image statique.

De combien LingBot-VLA 2.0 devance ses concurrents

Sur l'ensemble de tests GM-100 pour robots-agents polyvalents, LingBot-VLA 2.0 a surpassé π0.5 et la version précédente, LingBot-VLA-1.0, sur les deux plateformes robotiques évaluées, rapporte MarkTechPost. Battre à la fois son prédécesseur et un modèle tiers sur le même benchmark indique que les améliorations (espace d'actions unifié, module MoE et distillation dual-query) apportent un gain de qualité mesurable, et pas seulement un nombre de paramètres plus élevé.

Ce que cela signifie

Un modèle ouvert de 6 milliards de paramètres, aussi performant sur 20 configurations de robots différentes, abaisse le seuil d'entrée pour les équipes qui veulent entraîner des robots-agents polyvalents sans constituer un jeu de données distinct pour chaque conception de robot.

Questions fréquentes

Que signifie l'acronyme VLA dans le nom du modèle ?

VLA signifie vision-language-action (vision-langage-action). Le modèle traite une image et une instruction textuelle, puis génère une action du robot en une seule passe.

Peut-on utiliser LingBot-VLA 2.0 gratuitement ?

Oui. Le modèle est publié sous licence Apache 2.0, qui autorise l'utilisation libre, la modification et l'usage commercial du checkpoint, y compris son intégration dans ses propres produits robotiques.