Ant Group ra mắt Lingbot-VLA 2.0: Mô hình VLA mã nguồn mở, huấn luyện 60.000 giờ cho hơn 20 loại robot

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

08-07-2026 11:54:42 Nguồn: QbitAI

LingBot-VLA 2.0 của Ant Group

Kim Lỗi đưa tin từ Aofeisi

QbitAI | Kênh chính thức QbitAI

Trọn vẹn 60.000 giờ dữ liệu tiền huấn luyện.

Một mô hình VLA (Vision-Language-Action) mới đã được "nuôi dưỡng" một cách đầy ấn tượng như vậy, và hơn thế nữa, nó còn là mã nguồn mở.

Đây chính là LingBot-VLA 2.0 vừa được Ant Group công bố, một mô hình VLA đa năng hướng tới các tác vụ trong thế giới vật lý phức tạp.

Trước tiên, hãy cùng tìm hiểu xem 60.000 giờ dữ liệu vật lý thực tế này đến từ đâu.

Thực tế, nó bao gồm hai phần: 50.000 giờ từ dữ liệu quỹ đạo robot, bao phủ 20 cấu hình robot khác nhau; 10.000 giờ còn lại đến từ video thao tác của con người ở góc nhìn thứ nhất.

Chỉ sau nửa năm kể từ khi Ant Group ra mắt LingBot-VLA 1.0 vào tháng 1, quy mô dữ liệu đã tăng gấp 3 lần so với con số 20.000 giờ trước đó.

Vậy hiệu quả thực tế thì sao?

Nào, hãy cùng xem kết quả ngay dưới đây:

Địa chỉ video: https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw

Như chúng ta có thể thấy trong video, robot bắt đầu bằng việc nhặt đồ uống và trái cây trên bàn thao tác bỏ vào giỏ, sau đó xách giỏ di chuyển đến trước tủ lạnh, mở cửa tủ, đặt từng món đồ vào trong và cuối cùng là đóng cửa tủ lại.

Một chuỗi thao tác di chuyển dài được thực hiện liền mạch, vô cùng mượt mà.

Tuy nhiên, phải nói rằng quy mô dữ liệu chỉ là một phần nhỏ trong những điểm nổi bật của LingBot-VLA 2.0. Sau khi đi sâu vào báo cáo kỹ thuật liên quan, chúng tôi nhận thấy:

Nhiều cư dân mạng sau khi chứng kiến sự ra mắt của LingBot-VLA 2.0 đã phải thốt lên rằng:

Các mô hình hiện thân (embodied AI) mã nguồn mở đang đẩy nhanh quá trình ứng dụng công nghệ robot vào thế giới thực.

Robot làm việc, khéo léo hơn hẳn

Tiếp theo, chúng ta hãy cùng tiếp tục cảm nhận trực quan về khả năng thực hiện các công việc nhà trong thế giới thực của robot dưới sự hỗ trợ của LingBot-VLA 2.0.

Nhiệm vụ đầu tiên là dọn dẹp mặt bếp.

So với việc sắp xếp tủ lạnh vừa rồi, nhiệm vụ này gần gũi hơn với bối cảnh bếp núc trong đời sống thực:

Địa chỉ video: https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw

Đối mặt với một bàn đầy vật dụng như bếp lò, giá nồi, miếng bọt biển, robot cần phải di chuyển các vật cản ra chỗ khác, sắp xếp gọn gàng, sau đó cầm miếng bọt biển một cách chính xác để lau mặt bếp và cuối cùng là trả các vật dụng về đúng vị trí cũ.

Nhìn vào màn trình diễn của robot, có thể thấy LingBot-VLA 2.0 đã vượt qua bài kiểm tra về khả năng ra quyết định liên tục và tương tác tinh vi trong môi trường thực tế.

Hãy cùng xem thêm một nhiệm vụ khác: sắp xếp gia vị.

Loại nhiệm vụ này đòi hỏi cao hơn về khả năng phối hợp giữa hai cánh tay và xử lý quan hệ không gian. Robot phải biết rõ từng vật thể đặt ở đâu, khoảng cách giữa chúng là bao nhiêu, cấu trúc mặt bàn trông như thế nào. Chỉ nhìn vào hình ảnh thôi là chưa đủ, nó còn cần phải có cảm quan về không gian.

Địa chỉ video: https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw

Hãy cùng cảm nhận hiệu quả thông qua bản đồ nhiệt độ sâu LingBot-Depth 2.0, mặt nạ Token biên vật thể và bản đồ nhiệt độ tương đồng Cosine:

Địa chỉ video: https://mp.weixin.qq.com/s/GBkj3L9z1_ihq6vrUDrbJw

Đây chính là sự nâng cấp năng lực mà LingBot-VLA 2.0 mang lại sau khi tích hợp mặc định LingBot-Depth, giúp nắm bắt chính xác mối quan hệ giữa bản thân robot và không gian xung quanh.

Nếu đặt ba ví dụ này lại với nhau, mục tiêu của LingBot-VLA 2.0 trở nên khá rõ ràng:

Đó là thông qua cùng một bộ não hiện thân, có thể chuyển đổi linh hoạt sang các cơ thể khác nhau, bối cảnh khác nhau và nhiệm vụ khác nhau.