VLA ギャラリー / モデル一覧 / 2026年の新モデル

LingBot-VLA 2.0

Robbyant (Ant Group) · 2026-07

VLA2026年の新モデル約6.38Bflow matching

LingBot-VLAを改良し、ロボット20種構成の軌跡50,000時間と一人称の人の動画10,000時間、計約60,000時間で事前学習し、頭部・腰・移動ベース・手の自由度まで55次元の統合行動空間で扱う。

論文

From Foundation to Application: Improving VLA Models in PracticearXiv 2607.06403

概要

分類

2026年の新モデル

タイプ

VLA

発表

2026-07

機関

Robbyant (Ant Group)

重み公開

あり

パラメータ

約6.38B(HF safetensors 6,375,907,511、fp32; チェックポイント名 6b; Qwen3-VL-4Bバックボーン + sparse-MoEアクションエキスパート、アクティブパラメータは記載なし)

構造

バックボーンLLM

Qwen3-VL-4B-Instruct

ビジョンエンコーダ

Qwen3-VL内蔵ビジョンエンコーダ(学習時は凍結しない)

アクションヘッド

sparse-MoEアクションエキスパート(Qwen2式、36層、共有1+ルーティング32個 top-4) flow matching 10ステップ (flow matching)

チャンク

50ステップ(実ロボット展開例では25を実行)

制御周期

非公開 (1回の推論 約130 ms、RTX 4090D)

構造の原文要約

Qwen3-VL-4B-Instruct VLM(因果アテンション) + 現在・未来クエリ2個(LingBot-Depth・DINO-Video蒸留) → sparse-MoEアクションエキスパート(Qwen2式、36層すべてMoE、共有1+ルーティング32個中top-4) flow matching(推論10ステップ) → 55次元の統合状態・行動(アーム・EEF・グリッパ・手・腰・頭部・ベース)チャンク 50

学習

事前学習アクセラレータ

非公開

事前学習期間

非公開

事前学習ステップ・バッチ

非公開

GPU・TPU時間

非公開

ファインチューニング

RoboTwin 2.0事後学習の公開config: 32 GPU、バッチ1,024、50kステップ、Muon lr 1e-4、L1 flow matching(GPU機種・総時間は記載なし); 単一ノードH20での事後学習反復 5.93 s/it(Muon)・4.31 s/it(Distributed Muon); 実ロボットconfig バッチ256・60kステップ; 4×A6000の例はGPUあたり約49 GB以上必要(README)

データ種類

実ロボットのテレオペレーション / 人の動画

データ規模

事前学習 約60,000時間: ロボット20種構成 50,000時間(生データ約90,000時間からフィルタリング) + 一人称の人の動画10,000時間(生データ約20,000時間からフィルタリング); DINO-Videoは動画クリップ5M本で学習

主要データセット

自社収集の20種ロボットデータ; 一人称の人の動画(公開データ・自社データ、Ant Digital Technologies Phecda Laboratory・Genrobot.ai提供); GM-100; RoboTwin 2.0

タスク・評価

GM-100 9課題の汎用(混合学習)進捗/成功: AgileX Cobot Magic 66.2/34.4(π0.5 59.1/32.2、LingBot-VLA 1.0 58.2/30.0)、Galaxea R1 Pro 34.6/15.6(π0.5 27.4/8.9); 長期モバイルマニピュレーション(15回): Astribot S1 冷蔵庫整理 ID 77.1/60.0・OOD 37.0/13.3、Cobot Magic-ARX X5 ガスコンロ清掃 ID 84.3/66.7・OOD 67.5/40.0(いずれもπ0.5より高い); RoboTwin 2.0 clean 93.52%・randomized 92.80%

ロボット

評価: AgileX Cobot Magic、Galaxea R1 Pro、Astribot S1、Cobot Magic-ARX X5; 事前学習20種: Franka、Flexiv Rizon 4、AgileX、ARX Lift2、UR7e、AgiBot G1、Galbot G1、Moz1、Realman Rs-02、Galaxea R1Pro・R1Lite、Astribot S1、Zerith H1、Leju KUAVO 4 Pro、Tienkung、QingLong、MagicBot Gen1、Unitree G1、Fourier GR-2、AgiBot A2

推論

推論デバイス・速度

RTX 4090Dで1回の推論 約130 ms(10 denoisingステップ、torch.compile、実ロボット展開時はチャンク中25ステップを実行); 公開チェックポイントの検証はFP32推論、BF16はメモリが少ないが成功率が変わり得る(README); 深度・動画教師は推論に使わない

推論メモリ

重みはfp32で公開(約6.38B); 検証はFP32推論、BF16はメモリ削減(数値は記載なし)

重み bf16(計算)

12.8 GB

実行場所

RTX 4090D推論サーバ(READMEの例)

強化学習・ベース

強化学習

不使用 · flow matching教師あり学習(事前学習・事後学習)、深度・動画特徴の蒸留は補助損失

強化学習の根拠

https://arxiv.org/html/2607.06403

ベース制御

車輪型 (ベース速度・姿勢を直接出力) · 統合行動ベクトルの移動信号3次元(LeRobot変換版の表記はbase.velocity)をアーム・腰・頭部とともにチャンクとして直接出力; 長期課題はAstribot S1・Cobot Magic-ARX X5の移動ベースで評価(車輪型はロボット仕様に基づく、論文は「mobile base」とのみ表記)

備考

主な特徴

LingBot-VLAを改良し、ロボット20種構成の軌跡50,000時間と一人称の人の動画10,000時間、計約60,000時間で事前学習し、頭部・腰・移動ベース・手の自由度まで55次元の統合行動空間で扱う。アクションエキスパートにsparse MoEを入れ、現在・未来クエリをLingBot-Depth・DINO-Videoで蒸留して未来予測を補助タスクとして学習する。

備考

サブタスク注釈はQwen3.6-27Bで自動生成(18個の原子行動語彙); 人の動画はSLAM・手姿勢推定でMANOの手軌跡を復元; 絶対関節より相対関節行動、MeanStd正規化、L2(MSE) flow matchingが良かったとのablation報告; 事前学習はloss-free MoE負荷分散(DeepSeek-V3式バイアス)、事後学習configはシーケンス補助損失・z-lossを使用; コード・重み(robbyant/lingbot-vla-v2-6b、RoboTwin事後学習版lingbot-vla-v2-6b-robotwin) Apache-2.0、LeRobot変換版(lerobot/lingbot_vla_v2_base)あり; arXiv v1 2026-07-07。ベース: A Pragmatic VLA Foundation Model (arXiv 2601.18692) — 前バージョンのLingBot-VLAを改良(論文に明記)

検証

確認