LingBot-VLA

4B / 6B

Fundamentowy model wizja-język-akcja (4B/6B) do sterowania robotami, wytrenowany na 20 000 godzin rzeczywistych danych z 9 konfiguracji robotów dwuramiennych.

✓ Aktywny✓ Publiczny dostęp⚖ Open sourceModel wzrok-język-akcjaBazowy model robotyczny

Parametry

4B / 6B

parametrów

Data premiery

1 stycznia 2026

Dostęp:DownloadWdrożenie:💻 Lokalnie

Przegląd

LingBot-VLA to fundamentowy model wizja-język-akcja (VLA) przeznaczony do sterowania robotami. Dostępny jest w wariantach 4B i 6B parametrów (oraz wersji LingBot-VLA-4B-Depth z czujnikiem głębi), zbudowany na bazie projektu VeOmni.

Model wyróżnia praktyczne podejście do danych: wstępny trening objął 20 000 godzin rzeczywistych danych zebranych z 9 popularnych konfiguracji robotów dwuramiennych. Integruje modalności wizyjną, językową i akcyjną, mapując obserwacje i polecenia na działania robota.

Twórcy raportują wyraźną przewagę nad konkurencyjnymi modelami na benchmarkach symulacyjnych i rzeczywistych oraz przyspieszenie treningu rzędu 1,5–2,8× względem istniejących bibliotek VLA (zależnie od bazowego modelu wizyjno-językowego). Wagi udostępniono na licencji Apache 2.0.

Klasyfikacja

Model wzrok-język-akcjaBazowy model robotyczny

Dostęp i wdrożenie

Pobieranie

Lokalnie

Wagi: Open source

Kluczowe parametry

🧩 Parametry: 4B / 6B

✓ Fine-tuning

📥 Wejście: obraz, tekst, głębia, dane stanu robota

Specyfikacja techniczna

Parametry

4B / 6B

parametrów

Licencja

Apache 2.0

Wymagania sprzętowe

Warianty 4B i 6B (safetensors). Bazuje na frameworku VeOmni; trening do 1,5–2,8× szybszy niż typowe biblioteki VLA.

Funkcje:✓ Fine-tuning

Modalności

⬇ Wejście (Input)

imagetextdepthrobot_state_data

⬆ Wyjście (Output)

robot_actionsmotion_trajectories

Możliwości i zastosowania

Natywne możliwości modelu

Ugruntowanie wizualno-językowo-akcyjne

Zdolność modelu VLA do łączenia percepcji wizualnej i polecenia językowego z konkretnym działaniem fizycznym robota. Model rozumie scenę i intencję, a następnie generuje sekwencję akcji wykonawczych, zamykając pętlę od obserwacji do ruchu.

Kategoria: robotics

Warunkowanie akcjami

Sterowanie generacją modelu poprzez sygnały akcji (kamera, pose robota, komendy, mowa) zamiast wyłącznie promptem tekstowym.

Kategoria: multimodal

Transfer międzyucieleśnieniowy

Zdolność jednego modelu do sterowania robotami o różnej budowie (humanoidy, ramiona dwuręczne, platformy mobilne) bez trenowania osobnego modelu na każdą platformę. Inteligencja jest oddzielona od ucieleśnienia, dzięki czemu ta sama polityka działa na sprzęcie o odmiennej kinematyce i dynamice.

Kategoria: robotics

Przestrzeganie instrukcji

Precyzyjne wypełnianie wskazówek zawartych w prompcie: format odpowiedzi, długość, styl, ograniczenia (np. 'odpowiedz w sześciu słowach'). GPT-5.1 znacząco poprawił tę zdolność względem GPT-5.

Kategoria: language

Wnioskowanie w czasie rzeczywistym

Zdolność modelu do generowania odpowiedzi z bardzo niskim opóźnieniem (>1000 tokenów/s) na specjalistycznym sprzęcie inferencyjnym (np. Cerebras WSE), umożliwiająca interaktywną, wymianową współpracę z człowiekiem.

Kategoria: coding