蚂蚁灵波开源LingBot-VLA后训练工具链：150条数据即可迁移机器人，训练效率提升2.8倍

导语：蚂蚁灵波开源LingBot-VLA后训练工具链，150条数据即可迁移机器人，训练效率提升2.8倍。

蚂蚁集团旗下具身智能公司灵波科技近日宣布，全面开源其具身基座模型LingBot-VLA的真机后训练工具链。开发团队可基于这套工具链，使用自有数据将LingBot-VLA快速迁移到自有机器人和具体任务中，极大降低了具身智能模型落地的工程门槛。

开源背景：解决真机适配痛点

当前，具身智能领域开源模型持续增多，但把模型真正部署到自己的机器人上，仍需要完成一系列适配工作。由于不同机器人在机械臂构型、末端执行器、传感器配置和控制接口等方面存在差异，开发团队通常需要围绕真机部署开展大量工程工作。这套工程链路往往是各团队的核心know-how，过去鲜有完整开放。蚂蚁灵波此次开源，正是针对这一核心需求，提供了从数据处理到真机部署的完整工具链。

开源内容：覆盖四个关键环节

此次开源的工具链覆盖四个核心环节：

• 数据处理工具：支持多LeRobot数据合并、关节维度映射标准化，方便统一不同机器人的数据格式。
• 训练配置：面向真机场景优化的训练超参数和网络结构，直接可用。
• 离线评测工具：在仿真环境中快速验证模型效果，减少真机调试时间。
• 真机部署模块：支持编译加速，提高推理速度。

模型同时提供含深度和不含深度两个版本，开发团队可根据自身传感器配置选择。

模型性能亮点：低数据量、高训练效率

LingBot-VLA是基于2万小时真实机器人数据预训练的具身基座模型，覆盖9种主流双臂机器人构型，具备跨本体、跨任务泛化能力。在真机和仿真评测中，LingBot-VLA均优于行业基准π0.5，并已与乐聚、松灵、星海图等厂商完成多机型验证。

据悉，LingBot-VLA仅需150条演示数据即可实现高质量的任务迁移。得益于底层代码库的深度优化，其训练效率达到StarVLA、OpenPI等主流框架的1.5~2.8倍，进一步降低了模型适配所需的数据和算力成本。

开源地址

目前，LingBot-VLA代码库已在GitHub开源，模型权重同步发布于Hugging Face和ModelScope。开源地址：github.com/Robbyant/lingbot-vla。