LingBot-VLA 2.0 : un modèle de 6 milliards de paramètres pour robots
Robbyant, filiale d'Ant Group, vient de publier en open source LingBot-VLA 2.0, un modèle vision-langage-action (VLA) de 6 milliards de paramètres conçu pour adapter les politiques robotiques au-delà des laboratoires. La publication inclut un rapport technique, le code sous licence Apache 2.0 et un point de contrôle « profondeur native » permettant de transformer des images capturées par caméra et une instruction textuelle en actions robotiques — le tout en environ 130 millisecondes sur une GeForce RTX 4090D.
Du laboratoire au plancher d'usine
La plupart des modèles VLA échouent dès qu'ils quittent des environnements contrôlés. LingBot-VLA 2.0 comble ce fossé grâce à trois améliorations : une meilleure généralisation, un espace d'actions plus riche et une modélisation prédictive de la dynamique. L'équipe a entraîné le modèle sur environ 60 000 heures de données sélectionnées — dont 50 000 heures de trajectoires robotiques et 10 000 heures de vidéos égocentriques humaines — couvrant 20 configurations robotiques différentes, allant des bras articulés aux humanoïdes complets.
Une structure unifiée pour de multiples corps
Les robots présentent des articulations et des cinématiques variées. LingBot-VLA 2.0 résout ce problème avec un vecteur d'état/actions canonique fixe de 55 dimensions, couvrant les bras, les pinces, les tailles, les têtes, les bases mobiles et même les signaux de mobilité. Les membres manquants sont simplement remplis de zéros, permettant à un même modèle de commander différents matériels sans réentraînement.
Des experts clairsemés pour une puissance maîtrisée
En inférence, le modèle utilise une tête d'action de type mélange d'experts clairsemé, inspiré de DeepSeek-V3. Seuls les K meilleurs experts s'activent par jeton, garantissant une puissance de calcul prévisible tout en corrigeant les déséquilibres de charge via des termes de biais par expert. Le modèle de base, Qwen3-VL-4B-Instruct, est issu d'une distillation à partir de deux modèles enseignants : LingBot-Depth et DINO-Video.
Explorer le modèle sur Hugging Face → Lire le rapport technique →
Pourquoi c'est important
LingBot-VLA 2.0 marque un tournant : il passe des démonstrations de recherche fragiles à des politiques robotiques déployables. En unifiant le vocabulaire des actions pour des matériels divers et en utilisant le MoE clairsemé pour domestiquer la puissance de calcul, Robbyant simplifie l'intégration de nouveaux robots dans les laboratoires et usines, sans réécrire la politique. L'enjeu ? Réduire les coûts d'intégration et accélérer les itérations — des leviers essentiels pour étendre la robotique au-delà des configurations actuelles, souvent limitées.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.