7月10日,蚂蚁集团旗下具身智能公司 Robbyant 推出 LingBot-VA 2.0,定位为行业首个"具身原生"视频-动作世界模型。它**不从视频生成模型微调而来,而从零自回归预训练**,目标单一:让机器人准确预测动作将如何改变环境,并据此决定下一步。 主流路线普遍"先用视频生成模型做世界模型,再微调给机器人"——但内容创作追求视觉质量,机器人控制需要物理精度,这种"借壳"经常导致灾难性遗忘和泛化下降。VA 2.0 改走四件套:**Semantic Visual-Action Tokenizer** 在视觉压缩阶段对齐语义与动作信息;**Strict Causal Pre-training** 保证单向时序;**MoE** 扩容不损速度;**Enhanced Asynchronous Inference** 让机器人边执行边预测,形成闭环。落地数据直接命中痛点:**单 GPU 150 Hz 实时推理,20 段演示即可零参数更新的 in-context learning 泛化到新任务**。 VA 2.0 是 Robbyant 本周"6 模型连发"的收官之作。此前发布的 LingBot-Depth 2.0、LingBot-Vision、LingBot-VLA 2.0、LingBot-World 2.0、LingBot-Video 覆盖感知、仿真、动作三层级,VA 2.0 把"动作 + 仿真"压成统一模型,完成具身原生全栈拼图。 评论:这条路线最值得关注的不是某个 benchmark,而是**范式选择**——把"借用数字内容模型"换成"为物理世界从头造一个"。在 Genie 3、Veo 主宰数字世界的当下,Robbyant 给具身赛道提供了一类不同样本:不追最炫的视频生成,把物理一致性与实时性放第一位。短期不如 Sora-2 类模型在公众视野里显眼,但对工业、养老、医疗辅助这类"必须跑得稳"的场景,这才是真正的入场券。