LingBot-VA 2.0 机器人基础模型思路
Aiden_Tech_Ai · x · 2026-07-11
这条转发在解读 LingBot-VA 2.0 的论文，核心观点是：机器人控制的基础模型比后续微调更重要。
主要设计
- 不是在视频生成模型上硬改，而是从零开始预训练一个原生的 video-action 基础模型，用于机器人控制。
- 采用共享语义视觉-动作 tokenizer，把世界状态和潜在动作对齐到同一语义空间。
- 从一开始就用因果式预训练，避免把双向视频模型改造成控制模型时出现的灾难性遗忘。
- 结构上结合了约 13B 的稀疏 MoE 视频骨干，但每个 token 只激活约 1.9B 参数，以兼顾容量和高频控制效率。
- 还引入 Foresight Reasoning，在执行前预测并持续重新对齐。
所属事件:LingBot-VA/VLA 2.0发布:原生具身基础模型与跨机身控制(24 条相关)→
「具身」频道最新
- 亚马逊谷歌卖出6亿台音箱,AGI 时代为何无人再造智能音箱 — julianlehr · 2026-09-11
- ECCV26 口头论文：流匹配实现多视角点云配准 — ducha_aiki · 2026-09-11
- 波兰开发者做 iPhone 应用 可探测附近的 Meta 智能眼镜 — Low-Honeydew6483 · 2026-09-11
- 蚂蚁阿福用户达 1.5 亿，外滩大会展示 AI+硬件健康管理联盟 — APPSO · 2026-09-11
- JHU 开设全栈机器人学习课:组装机械臂、采数训练部署一条龙 — _krishna_murthy · 2026-09-11
- SyncWorld:少量视觉校准即可零样本模拟机器人跨视角交互 — ChongZzZhang · 2026-09-11