Robbyant udostępnił LingBot-VLA 2.0, otwarty model Vision-Language-Action o 6 miliardach parametrów, z kodem na licencji Apache-2.0 i raportami naukowymi. Model konwertuje obrazy z kamer i instrukcje w języku naturalnym na konkretne akcje robotów. Checkpoint wykorzystuje Qwen3-VL-4B-Instruct jako backbone'a dla przetwarzania wizji i języka, a inferencja zajmuje około 130 milisekund na karcie NVIDIA GeForce RTX 4090D z 10 krokami denoising'u.
Kluczowe ulepszenie dotyczy generalizacji poprzez masywne skalowanie danych. Zespół zebrał około 60 tysięcy godzin danych treningowych, w tym 50 tysięcy godzin trajektorii robotów i 10 tysięcy godzin nagrań z perspektywy pierwszej osoby od ludzi. Robot data pochodzi z 20 różnych konfiguracji robotów, od manipulatorów jednoramiennych po humanoidów. Rzeczywista pula jest jeszcze większa - około 90 tysięcy godzin robot data i 20 tysięcy godzin nagrań egocenrycznych.
LingBot-VLA 2.0 rozwiązuje fundamentalny problem w robotyce: modele VLA działają dobrze w laboratoriach, ale mają problemy przy rzeczywistym deploymencie. Trzema głównymi osiami rozwoju są właśnie generalizacja, rozszerzona przestrzeń akcji oraz modelowanie predyktywne dynamiki robota. Model wykorzystuje architekturę Mixture-of-Experts do skalowania ekspertów akcji, co pozwala na elastyczne rozszerzanie możliwości. To podejście ma potencjał przybliżyć automatyzację robotyczną do praktycznego wykorzystania w przemyśle.