Ant Group представила LingBot-VLA — новую модель для управления роботами

Ant Group Robbyant разработала LingBot-VLA — фундаментальную модель "зрение-язык-действие", предназначенную для практического управления роботами в реальном мире. Модель обучена на 20 000 часах данных телеоперации с использованием 9 различных манипуляторов с двумя руками и протестирована на бенчмарке GM-100, охватывающем 3 платформы.

LingBot-VLA ориентирована на кросс-морфологическую обобщающую способность, эффективное постобучение и высокую скорость обучения на стандартных GPU-кластерах. В архитектуру модели входит мультимодальный блок, использующий Qwen2.5-VL, и "эксперт по действиям".

Особенностью LingBot-VLA является интеграция LingBot-Depth, модели для определения глубины, что улучшает восприятие пространственных характеристик и повышает точность манипуляций с объектами. Результаты тестирования на GM-100 показали превосходство модели над другими решениями.