LingBot-VLA 概览
LingBot-VLA 是视觉语言动作基础模型。模型接收相机观测、语言指令和机器人状态，生成机器人动作序列。
已发布模型
| 模型 | 说明 |
|---|---|
| LingBot-VLA-4B | 不含深度蒸馏的预训练 Checkpoint |
| LingBot-VLA-4B-Depth | 使用 MoGe-2 和 LingBot-Depth 蒸馏三维几何信息的预训练 Checkpoint |
模型使用 Qwen2.5-VL-3B-Instruct 作为视觉语言主干，并使用 flow-matching 动作专家。已发布模型的参数量约为 4B。
训练与评测
LingBot-VLA 使用 20,000 小时真机交互数据进行预训练，覆盖九种双臂机器人配置。模型已在 RoboTwin、LIBERO、GM-100 等仿真与真机评测中验证，真机平台包括 Agibot G1、AgileX 和 Galaxea R1Pro。