机器人圈子里很久没有这么干脆的出手了。蚂蚁集团旗下团队Robbyant直接甩出LingBot-VA 2.0——一个从零预训练的因果DiT架构，明明白白告诉你，这就是原生具身基础模型应该有的样子。不是拿LLM缝一层动作头，也不是在仿真里刷百万条轨迹然后祈祷迁移能活下来，这条路线从骨架就选对了方向：把世界状态和动作编码进同一个隐空间，让因果推断真正长在模型里。
架构数字一眼就能看出诚意。视频专家约13.0B参数，训练总规模约15.3B，推理时每个token只有约2.5B激活，既不虚胖也不吝啬。为了让这头“具身巨兽”跑起来，团队引入多块预测（MCP）直接砍掉冗余计算，拿到2.3倍训练加速。更凶的是推理侧前瞻调度，把延迟压到142毫秒每块，折合异步推理超过225Hz——这已经不是在谈推理速度，这根本是在谈实时响应肌肉。要知道大多数具身模型还在几十毫秒甚至上百毫秒一帧挣扎，142毫秒的块级延迟搭配流式输出，意味着物理交互里的等待感被砍到了骨子里。
数字再漂亮，最后还得看拧螺丝和抓水瓶的本事。在RoboTwin 2.0的50个任务上，干净演示数据平均成功率93.8%，随机演示数据93.4%，两个数字贴得这么紧本身就说明泛化不是靠运气。没有夸张的“human-level”措辞，没有神化demo，只有一组硬邦邦的指标和一套完整开源的权重。具身智能这个赛道喊了两年“基础模型”，LingBot-VA 2.0是第一个真正把因果视频-动作序列拉通从零训出来的量产级答案。留给模仿者的窗口期，不长了。
