Robbyant opublikowało LingBot-VA 2.0 — model fundacyjny do sterowania robotami manipulacyjnymi, prezentowany jako pierwszy system pre-treningu zaprojektowany od zera wokół kauzalnych relacji fizycznego świata, a nie adaptowany z modeli językowych. Premiera zbiega się z tygodniem poprzedzającym World AI Conference 2026 (WAIC) w Szanghaju. Na benchmarku RoboTwin 2.0 model osiąga 93,6% średniej skuteczności — nowe SOTA w tej klasie.
Najważniejsze w skrócie
- 93,6% średniej skuteczności w RoboTwin 2.0 (Clean: 93,8%, Randomized: 93,4%) — powyżej LingBot-VA 1.0 (92,2%) i Motus (87,9%)
- Nowy tokenizer VAE wyrównuje semantykę wizualną i latentne działania w jednej przestrzeni bez etykiet
- Multi-Chunk Prediction (MCP): +29,7 pp skuteczności przy 5000 krokach treningu, przyspieszenie konwergencji 2,3×
- Foresight Reasoning: asynchroniczny pipeline podnosi częstotliwość sterowania z 35 Hz do 225 Hz, latencja spada z 927 ms do 142 ms
- In-context learning z jednorazowego demo człowieka — transfer na nowy obiekt bez dodatkowego treningu
Dlaczego „natively embodied" to coś więcej niż hasło
Większość systemów VLA (Vision-Language-Action) wyrasta z modeli językowych lub wizualnych, które pierwotnie trenowały na statycznych danych tekstowych lub obrazach. LingBot-VA 2.0 twierdzi, że od pierwszego kroku treningu skupia się na kauzalności fizycznej — relacjach między obserwacją, działaniem i stanem środowiska.
Kluczowe są dwie innowacje architektoniczne. Pierwsza dotyczy przeprojektowanego tokenizera VAE. Zamiast osobno przetwarzać kanał wizualny i kanał działań, model wprowadza jeden autoenkoder ViT, który w tej samej przestrzeni latentnej wyrównuje fragmenty wizualne (semantykę sceny) z latentnymi działaniami (co robot ma wykonać). Dwa pomocnicze modele dynamiki — IDM (Inverse Dynamics Model) wyodrębniający działania z par sąsiednich klatek i FDM (Forward Dynamics Model) przewidujący stany do przodu — nie wymagają żadnych etykiet ludzkich. Cała struktura uczy się bezpośrednio z surowego wideo.
Praktyczny efekt: model lepiej przekłada instrukcję tekstową na sekwencję ruchów, bo „rozumienie" i „generowanie działania" są osadzone w tej samej geometrii latentnej.
Wieloblokowa predykcja zamiast patrzenia na sąsiada
Klasyczny trening video-action z teacher forcing skupia się na predykcji jednego bloku klatek na podstawie bezpośrednio poprzedniego — model uczy się z krótkoterminowych, wizualnie podobnych par. LingBot-VA 2.0 wprowadza Multi-Chunk Prediction (MCP): trzy lekkie moduły dodane do głównego DiT, z których każdy odpowiada za predykcję bardziej odległego fragmentu wideo (domyślnie 3 kolejne bloki). Kaskada wymusza, by zmienne latentne kodowały dynamikę trajektorii w dłuższym horyzoncie.
Wyniki na RoboTwin przy 50 fps są wyraźne: przy 5000 krokach treningu skuteczność rośnie o 29,7 punktu procentowego względem baselines'u, a osiągnięcie jakości identycznej z 45 000-krokowym bazowym modelem zajmuje zaledwie 20 000 kroków — co odpowiada 2,3-krotnemu przyspieszeniu. Przy wdrożeniu MCP nic nie kosztuje: moduły pomocnicze są usuwalne po treningu.
Asynchroniczne myślenie i działanie: od 35 Hz do 225 Hz
Tradycyjny cykl sterowania jest sekwencyjny: obserwacja → wnioskowanie → wykonanie. Każde opóźnienie modelu sumuje się z opóźnieniem siłowników. LingBot-VA 2.0 rozdziela te dwa strumienie przez mechanizm Foresight Reasoning. Strumień predykcji stale generuje następny ruch na podstawie prognozowanego stanu świata. Strumień wykonania realizuje bieżący ruch. Gdy wróci prawdziwa obserwacja, model nadpisuje swoje poprzednie prognozy w KV-cache i koryguje kurs bez zatrzymywania pętli.
Stack optymalizacji wnioskowania składa się z czterech warstw:
- destylacja konsystencji — 927 ms → 466 ms
- kompilacja FP8 z TensorRT — 369 ms
- optymalizacja uwagi dla długich okien przez FlashInfer — 272 ms
- redukcja kosztów runtime — 142 ms
Całkowite przyspieszenie end-to-end wynosi 6,5×, a asynchroniczna częstotliwość sterowania rośnie z 35 Hz do 225 Hz.
Architektura MoE i wyniki realne
Pojemność modelu pochodzi z rzadkiej architektury MoE przeniesionej z LingBot-Video — własnego modelu generatywnego Robbyant. Eksperci wizualni działają w trybie sparse MoE na każdym bloku DiT, eksperci akcji są gęstsi. Routing wykorzystuje ekspansywne ścieżki wzorowane na rozwiązaniach DeepSeek; balansowanie obciążenia realizowane jest bez dodatkowej straty pomocniczej — przez mikrodostrojenie selekcji tokenów per ekspert zamiast globalnego mnożnika gradientu.
Na wdrożeniach demonstracyjnych model steruje ramieniem grającym w hokeja powietrznego w czasie rzeczywistym, chwyta chipy bez ich kruszenia z precyzją wymagającą sił poniżej progu wizualnie wykrywalnego, koordynuje dwa ramiona przy montażu i porządkowaniu, a po jednorazowym obejrzeniu demo człowieka przenosi schemat działania na nowy obiekt bez żadnego fine-tuningu.
Dlaczego to ważne?
LingBot-VA 2.0 wpisuje się w konsensus, który w 2026 roku zaczyna być widoczny w pracach kilku niezależnych laboratoriów: modele do sterowania robotami powinny rozumieć fizykę świata, nie tylko mapować tokeny językowe na serwosygnały. Cosmos od Google DeepMind, seria Gemini Robotics i prace Physical Intelligence zmierzają w tym samym kierunku — każda firma od innego punktu wejścia.
To, co wyróżnia LingBot-VA 2.0, to skumulowanie kilku komplementarnych rozwiązań w jednej architekturze — wyrównanie latentne VAE, wielohoryzonowa predykcja, asynchroniczne wnioskowanie — z mierzalnym efektem na benchmarku. Szczególnie istotna jest minimalna różnica między warunkami czystymi (93,8%) a losowanymi (93,4%): model nie degeneruje przy zakłóceniach wizualnych i fizycznych, co jest poważnym wyzwaniem dla metod bazujących na naśladownictwie w kontrolowanych warunkach.
Co dalej?
- Robbyant planuje demonstrację na World AI Conference 2026 w Szanghaju (lipiec 2026); pełny paper techniczny jest dostępny w repozytorium GitHub projektu
- Kolejna miara dojrzałości to wdrożenia poza środowiskiem laboratoryjnym — firma zapowiada testy na własnych platformach produkcyjnych z wieloma zadaniami na jednym modelu wdrożonym na rzeczywistym robocie
- Physical Intelligence, Google Gemini Robotics i inne zespoły pracujące nad VLA utrzymają presję na dalsze podwyżki benchmarków w drugiej połowie 2026 roku
Źródła
- 机器之心 (Jiqizhixin) — 今天，具身智能大模型迈入「具身原生」的新阶段！
- Robbyant Technology — LingBot-VA 2.0 Project Page
- GitHub / Robbyant — Native Video-Action Pretraining for Generalizable Robot Control
