Robbyant Lança LingBot-VLA 2.0: Modelo Open-Source de 6B para Manipulação Robótica Multi-Embodiment

A Robbyant, divisão de robótica do Ant Group, acaba de liberar o LingBot-VLA 2.0: um modelo fundacional Vision-Language-Action (VLA) de 6 bilhões de parâmetros para manipulação robótica. O lançamento é completo: relatório técnico, código sob licença Apache 2.0 e checkpoint público. É um dos modelos VLA mais acessíveis e bem documentados já disponibilizados para a comunidade.

O problema que o LingBot-VLA 2.0 resolve

Modelos VLA são notoriamente difíceis de colocar em produção. Funcionam bem no laboratório, mas tropeçam na implantação real. A Robbyant focou em três eixos práticos para resolver isso: generalização entre robôs diferentes, um espaço de ação expandido e unificado, e modelagem preditiva de dinâmica — o robô não apenas reage ao que vê, mas antecipa o que vai acontecer.

Arquitetura: MoE e destilação dupla

O modelo público é o lingbot-vla-v2-6b, um checkpoint com “profundidade nativa” que usa o Qwen3-VL-4B-Instruct como backbone de visão-linguagem. Dois modelos professores — LingBot-Depth (geometria) e DINO-Video (semântica temporal) — supervisionam o treinamento por destilação.

O especialista de ação usa Mixture-of-Experts (MoE), com roteamento inspirado no DeepSeek-V3: ativação sigmoid, sem loss auxiliar de balanceamento de carga. Sob parâmetros ativos equivalentes, a versão MoE alcança loss de treinamento menor que um baseline denso.

O mais impressionante: uma chamada de inferência leva apenas 130 ms em uma NVIDIA GeForce RTX 4090D de consumo, usando 10 passos de denoising. Isso significa que o modelo é testável em hardware doméstico — um avanço enorme para pesquisa e prototipagem.

Dados: 60 mil horas, 20 configurações de robôs

O dataset de pré-treinamento reúne aproximadamente 60 mil horas de dados: 50 mil horas de trajetórias robóticas e 10 mil horas de vídeos egocêntricos humanos. O pool bruto era ainda maior — 90 mil horas robóticas e 20 mil egocêntricas —, mas um pipeline rigoroso de filtragem removeu amostras ruidosas.

A filtragem é explícita e mensurável: cálculo de jerk de terceira ordem, Z-scores de velocidade e aceleração por embodiment, exclusão de episódios com mais de 95% de sinais estáticos, e verificação de vídeos contra estados reproduzidos usando o URDF de cada robô. Anotadores removem blur, oclusão, frames perdidos e desalinhamento multi-câmera.

Os dados cobrem 20 configurações robóticas diferentes, de braços simples a humanoides completos. A anotação é automatizada: o Qwen3.6-27B segmenta cada vídeo em subtarefas temporalmente contíguas, atribuindo ações atômicas de um vocabulário fechado de 18 categorias.

Espaço de ação canônico unificado

Cada robô tem articulações diferentes. O LingBot-VLA 2.0 resolve isso com um vetor canônico de 55 dimensões para estados e ações, fixo para todos os embodiments:

Robôs que não possuem alguma parte do corpo simplesmente preenchem as dimensões correspondentes com padding. A pose do efetuador usa coordenadas XYZ + quaternion de rotação, com 7 dimensões por braço.

Dinâmica preditiva com consultas duplas

Execução real exige antecipação, não apenas reação ao frame atual. O LingBot-VLA 2.0 adiciona duas consultas aprendíveis aos tokens visuais e textuais: Q_t (observação atual) e Q_t+T (observação futura).

O LingBot-Depth fornece pistas geométricas explícitas via predição de profundidade. O DINO-Video — construído sobre o backbone DINOv3 com atenção temporal causal em bloco e 3D-RoPE — fornece priors semânticos temporalmente fundamentados, treinados em 5 milhões de clipes de vídeo.

Por que isso importa

O LingBot-VLA 2.0 é um divisor de águas para a robótica open-source por três razões:

1. Licença Apache 2.0: uso comercial irrestrito, sem as limitações de modelos anteriores.
2. Execução em GPU doméstica: 130 ms em uma RTX 4090D elimina a barreira de hardware que afastava pesquisadores independentes.
3. Generalização cross-embodiment: um único modelo para 20 configurações de robôs resolve o problema de fragmentação que assola a área.

Com a tendência de humanoides entrando em produção (Tesla Optimus, Figure, 1X), modelos VLA acessíveis e bem documentados como o LingBot-VLA 2.0 podem acelerar significativamente a próxima onda de robótica de manipulação.