蚂蚁灵波开源具身大脑落地乌镇药房，李飞飞团队已复用其代码

后空翻、机械舞确实能赚眼球。可一旦进了真实物理环境，机器人要过的关完全是另一回事。

11月3日开幕的2026年世界互联网大会乌镇峰会上，展馆里搭起了一间特别的“零售药房”。通道只有80厘米宽，两侧药品摆得又密又紧。机器人在中间来回作业：接单、认药、分拣、交付，一套流程走完。

这不是摆在展台上的概念演示。同样的方案此前已在上海国大药房多家零售门店常态运行，替药剂师分担分拣这类高频、重复的活。

托住这个场景的，是蚂蚁灵波开源的具身“大脑全栈 2.0”。它不是一个单独模型，而是视觉、深度感知、世界模型、动作决策等多款模型拼成的套件，覆盖从高精度空间理解到环境理解、再到动作执行的完整链路。

灵波（Robbyant）今年1月启动开源，此后陆续开放 LingBot 系列多款核心模型，连同权重、代码和技术文档一并放出。全球的研究员、开发者、企业都能拿这套具身底座做适配、训练和二次开发。到发稿时，相关项目在 GitHub 上累计超过 3.3 万颗 Star，模型下载量突破 220 万次。

今年乌镇峰会的主题是“开源开放，共建共享”，这套方案正好给了它一个看得见的落点。开源从来不是研发方单方面发个声明就完事，也不该只由最初那批人定义价值——它的边界，是在更多人复用、验证、协作的过程中一点点撑开的。

科研和工程一线已经把这种价值写得更清楚：斯坦福李飞飞团队在 OpenWAM 框架里复用了它的底层组件，韩国权威科研机构拿它当教师模型做蒸馏，全球最大机器人开发平台 LeRobot 则把它合进了官方主线。

从顶尖学术实验室的代码复用，到主流开发平台的工具链集成，再到药房窄道里的自主分拣，这套出自中国的具身开源底座已经进入全球主流的具身技术坐标系。它同时也成了一个观察物理世界 AI 如何演进的样本。

同行用代码投票

开源圈里，Star 数说明的是有多少人在看；代码有没有被真正调用，才是更有说服力的尺子。翻一翻近期具身学术圈几项核心成果，灵波的模型组件正以具体工程形态进入研发管线。

最典型的例子来自斯坦福大学李飞飞实验室。今年10月初，该团队发布统一机器人框架 OpenWAM，专门探索世界-动作模型（WAM）的标准交互范式。这项研究里，团队没有从零重写整套管线，而是直接复用了灵波 LingBot-VA 的开源实现与核心资产。

开源体系里，顶尖实验室挑外部模块眼光很挑。模块化程度要够高，接口设计要干净，否则重构花的时间比自研还多。李飞飞团队搭前沿学术基准时把它当基础构件用，等于从侧面说明灵波这套代码架构规范度和通用性都够硬。

韩国科学技术院（KAIST）团队则盯上了算力受限的小型机器人场景。在 FastOPD 研究中，他们选定 LingBot-VLA 当“教师模型”，用知识蒸馏把能力迁到参数量更小的 VLA 模型上。

RoboTwin 2.0 仿真实测里，这套方案给出的工程收益很实在：端到端延迟只多了 1 毫秒（56ms 至 57ms），代价极小；一个仅 4.5 亿参数的学生模型在单步推理（NFE=1）中的任务成功率，从 35.3%（原始 SmolVLA）直接升到 51.2%，净增 15.9 个百分点。

知识蒸馏管不管用，关键看教师模型能不能给出有效的任务表征和动作指导。KAIST 这次实践一方面验证了 LingBot-VLA 底层动作表征的迁移价值，另一方面也给端侧具身智能绕开算力限制指了条新路：低成本硬件不必明显增加推理开销，也能拿到更好的机器人操作能力。

放到更大的开发者生态里看，这种复用正在变成基础设施。

全球最大的开源机器人平台 LeRobot 已经把灵波的 LingBot-VA 与 VLA 2.0 正式合入官方主线；主流计算机视觉库 timm 也把它的视觉模型收作主干。

也就是说，全球开发者拉标准库的时候，LingBot 已经是原生的“出厂选项”，不用再为环境适配折腾。

在脑内预演物理学

顶尖团队之所以能把灵波底座里的模块抽出来、嵌进自己的代码库，根子在于它拆解物理世界的方式。

进了真实作业环境，机器人的卡点不再是学会某个特定动作，而是在变数不断的现场把一连串任务稳定做完。它得认出药品，还得随时应付反光干扰、货架遮挡和位置偏差。夹爪一旦不慎碰歪目标，整个物理状态就全变了。

这种动态变化正好戳中传统控制方案的软肋。行业智库 Core Matter 评测全球七大主流机器人基础模型时就说过：“真实环境不会在机器人思考时暂停。”在这个坐标下，LingBot-VA 2.0 走的是异步预测与执行化解控制延迟的路线，成了被重点剖析的技术样本。

为了对付连续的物理扰动和控制延迟，灵波的“大脑全栈 2.0”把复杂的具身控制拆成三层能力：

• 高精度空间理解（LingBot-Vision / LingBot-Depth 2.0）：只认出物体类别远远不够。视觉与深度模型重点学的是物体的三维轮廓和空间距离，把精确的物理坐标摸清楚；

• 动态环境交互这块，对应的是 LingBot-Video 与 LingBot-World 2.0：机器人在动手之前，世界模型先在系统里反复推演——推一把周围会连着发生什么？物体是否会打滑、翻倒？靠对物理规律的预判，给接下来的动作找出路径依据。

• 可泛化灵巧操作（LingBot-VLA 2.0 / LingBot-VA 2.0）则根据视觉信息和任务指令生成动作，让机器人完成抓取、搬运等操作；面对不同任务和场景，适应能力也随之提升。VA 2.0 把预测模型与动作生成接在一起，机器人一边执行、一边观察、一边纠正。

把模块这样拆开，机器人面对物理世界时就有了分步推理的支点；外部团队做研发时，也能按需调用其中某个组件。

算法结构再精巧，缺了真实物理交互中的碰撞，也只是一个空架子。让这套“大脑”持续进化的，是灵波自建的超 10 万小时真机作业数据，覆盖 20 多种本体构型、3.6 万种任务，以及近 2 亿条深度感知数据。

数据工程上，团队不再把录入“完美轨迹”当信条，现场抓空、打滑、碰壁这些失败样本反而被当成核心教材。借端边云流转，现场异常数据半天内就能完成回流洗练，最终形成可用率超 90% 的高质量训练集。

从标星走向工作流

开源不只是把权重公开。一个开源底座成色如何，还要看它能不能低成本嵌进已有的生产流程——让模型从“可下载”变成“可直接调用、继续开发”。

灵波正围绕这个目标，推进 LingBot 模型与主流开发框架、推理引擎及云端服务平台的适配。

机器人开发流程方面，LeRobot 合入主线之后，动作块生成耗时从 677 毫秒压到 127 毫秒；开发者沿用 LeRobot 已有的数据管理和训练流程，就能直接做模型微调和测试。

世界模型推理这一侧，NVIDIA 开源的世界模型推理库 FlashDreams 已正式集成 LingBot-World，并给出专门的模型文档和运行入口。SGLang 为 LingBot-World、LingBot-Video 提供了原生推理管线，实时会话、相机控制和连续画面生成都能支持。vLLM-Omni 则把灵波的 LingBot-Video（视频生成）和 LingBot-World 2.0（交互式世界模型）接进了统一推理框架。

第三方开发者还往前多走了一步，继续压榨模型的性能边界。

海外开发者 Kaarel Kaarelson 只用一张消费级 RTX 5090 显卡，重构推理同步逻辑、优化解码精度，把 LingBot-World 2.0 的本地实时生成帧率从 6.0 FPS 提到 16.1 FPS。

PandacatAI 把模型搬到了 Apple Silicon 平台。一台搭载 M4 Pro 芯片的 Mac 个人电脑，内存峰值仅 16.1GB，就本地端侧跑通了 6.8 秒物理交互视频的生成，轻量化试验的硬件门槛被推平。

极客们自发的尝试，最后沉淀成了一个活跃的技术生态。到目前，灵波在 GitHub 上攒下超过 3.3 万颗 Star；10 月底的具身挑战赛上，来自 13 个国家的超 1855 支战队进场调试。

开源代码被反复调用、挑刺、二次开发，这套具身底座也就突破了实验室的围墙，成了开发者手边拿起来就能用的通用构件。

不改货架的真实工况

代码在工具链里跑通，只是第一步。机械臂真正进场作业，账最终都要算到一笔笔投入上。

过去搞自动化改造，最容易踩的坑是为了迁就机器人去重构整个物理空间：加围栏、拓走道、换定制料架。为适配机器付出的这笔隐性改造投入，有时比买硬件本身还高。

这轮具身浪潮里，机器人想走出演示展台，前提是能主动适应既有人类环境，并且把投入产出比算得清楚。

展厅里还原的药房中，80 厘米过道、密集堆叠、随处可见的包装反光，对标的正是零售门店局促的物理现实。货架与动线都不动，机器人自主完成了取药全流程。

同样的考题也摆在工业现场。汽车零部件上下料、车间分拣等场景中，灵波正与隆盛科技（隆盛唯睿）、德马科技等产业方推进协同攻关。比起轻载的零售药品，重工业工况苛刻得多：工件沉重、油污反光强烈、生产节拍按秒计算。

用同一套“大脑”适配异构本体，还要在高强度节拍中扛住磨损与积累误差——这是具身模型走向深水区绕不开的硬门槛。物理世界从不因为算法精妙就网开一面，重力、摩擦、材料磨损始终摆在那里。

屏幕之内，开源共享的是逻辑与代码；当算法开始接管硬件，它更深一层的价值，是把散落在不同工况里的碰撞、挫败和调试经验，沉淀成全行业通用的底层基座。

前人踩过的坑不必再踩一遍。具身领域的突破，也就不再靠少数团队单打独斗，而是同行者一起往前形成的合力。