Ant Group apresenta LingBot-VLA 2.0, modelo aberto para controlar robôs de qualquer construção

A Robbyant, divisão de robótica da Ant Group, lançou o LingBot-VLA 2.0 em 8 de julho de 2026. É um modelo aberto de visão-linguagem-ação com 6 bilhões de parâmetros para controlar robôs de diferentes designs, distribuído com licença Apache 2.0.

Com quais dados o modelo foi treinado

O LingBot-VLA 2.0 foi pré-treinado com cerca de 60 mil horas de dados, segundo o MarkTechPost. Dessas, 50 mil horas são trajetórias de robôs coletadas em 20 configurações diferentes, e outras 10 mil horas são vídeos egocêntricos, em primeira pessoa, de pessoas realizando tarefas domésticas e de manipulação.

• Desenvolvedora: Robbyant, divisão da Ant Group; lançamento em 8 de julho de 2026
• Licença: Apache 2.0, com o checkpoint do modelo disponível para download
• Tamanho do modelo: 6 bilhões de parâmetros (6B)
• Dados de pré-treinamento: cerca de 60 mil horas (50 mil horas de trajetórias de robôs em 20 configurações + 10 mil horas de vídeo com pessoas)
• Espaço de ações unificado: 55 dimensões para todos os tipos de robô

Como o modelo controla robôs diferentes

O LingBot-VLA 2.0 traduz o controle de qualquer robô para um único espaço de ações canônico de 55 dimensões, que abrange braços, mãos habilidosas, cintura, cabeça e plataformas móveis, explica o MarkTechPost. Isso resolve o principal problema dos modelos cross-embodiment: antes, cada design de robô, com número de juntas, tipo de garra ou presença de base móvel diferentes, exigia treinar um modelo de controle próprio. O espaço de ações unificado permite que o mesmo checkpoint funcione nas 20 configurações.

Um módulo de ações em nível de token baseado em Mixture-of-Experts ajuda a escalar o modelo sem perda de qualidade e dispensa uma função de perda auxiliar para balancear a carga entre os especialistas. Isso permite aumentar a capacidade do modelo sem acrescentar um termo extra à função de perda, o que costuma tornar o treinamento dessas arquiteturas mais lento e complexo.

De onde o modelo tira geometria e tempo

A destilação dual-query a partir dos modelos LingBot-Depth e DINO-Video acrescenta supervisão geométrica e temporal, que ajuda o LingBot-VLA 2.0 a considerar o estado futuro da cena ao escolher uma ação, segundo o MarkTechPost. Em outras palavras, o modelo "entende" de antemão como a geometria da cena e a posição dos objetos vão mudar após o passo atual, em vez de reagir apenas a um quadro estático.

O quanto o LingBot-VLA 2.0 supera a concorrência

No conjunto de testes GM-100 para robôs-agentes de uso geral, o LingBot-VLA 2.0 superou o π0.5 e a versão anterior, o LingBot-VLA-1.0, nas duas plataformas robóticas avaliadas, informa o MarkTechPost. Superar ao mesmo tempo o antecessor e um modelo de terceiros no mesmo benchmark indica que as melhorias (o espaço de ações unificado, o módulo MoE e a destilação dual-query) trazem um ganho mensurável de qualidade, e não apenas mais parâmetros.

O que isso significa

Um modelo aberto de 6 bilhões de parâmetros que funciona igualmente bem em 20 configurações de robô diferentes reduz a barreira de entrada para equipes que querem treinar robôs-agentes de uso geral sem coletar um dataset separado para cada design específico.

Perguntas frequentes

O que significa a sigla VLA no nome do modelo?

VLA significa vision-language-action (visão-linguagem-ação). O modelo processa uma imagem e uma instrução em texto e gera uma ação do robô em uma única passada.

Posso usar o LingBot-VLA 2.0 de graça?

Sim. O modelo é lançado com licença Apache 2.0, que permite uso livre, modificação e uso comercial do checkpoint, inclusive a integração em produtos de robótica próprios.