Robbyant, la división de robótica de Ant Group, publicó LingBot-VLA 2.0, un modelo de visión-lenguaje-acción de código abierto pensado para que robots con cuerpos muy distintos aprendan a manipular objetos con un mismo cerebro. El modelo, de 6.000 millones de parámetros y licencia Apache 2.0, se entrenó con unas 60.000 horas de datos y ya está disponible para descarga pública, según la documentación oficial del proyecto.

Un modelo de visión-lenguaje-acción (VLA, por sus siglas en inglés) combina tres capacidades: interpreta imágenes de cámaras, entiende instrucciones en lenguaje natural y produce comandos de movimiento para un robot. La promesa de LingBot-VLA 2.0 es la cross-embodiment o transferencia entre cuerpos: un solo modelo que funcione en brazos robóticos, manos con dedos articulados, torsos móviles y bases con ruedas sin reentrenar desde cero para cada máquina.

Un espacio de acción común para 20 configuraciones

La pieza central del diseño es un espacio de acción canónico de 55 dimensiones. En la práctica, significa que cada robot —sin importar cuántas articulaciones tenga o cómo esté construido— se traduce a un mismo vocabulario de movimientos que cubre brazos, manos diestras, cintura, cabeza y bases móviles. Esa representación unificada es lo que permite mezclar datos de plataformas muy diferentes durante el entrenamiento.

El conjunto de datos combina dos fuentes. Por un lado, unas 50.000 horas de trayectorias reales grabadas en 20 configuraciones de robots. Por otro, 10.000 horas de video egocéntrico humano, es decir, grabaciones tomadas desde el punto de vista de una persona mientras realiza tareas con las manos. Sumar demostraciones humanas ayuda al modelo a generalizar comportamientos que serían caros de recolectar solo con hardware robótico.

Cómo escala sin perder eficiencia

LingBot-VLA 2.0 emplea una arquitectura de mezcla de expertos (Mixture-of-Experts) a nivel de token para la generación de acciones. En este esquema, distintas partes especializadas de la red se activan según el caso, lo que aumenta la capacidad del modelo sin encarecer proporcionalmente el cálculo. La novedad que destaca Robbyant es que su variante prescinde de la habitual función de pérdida de balanceo de carga, un ajuste que suele añadirse para repartir el trabajo entre expertos y que aquí resultó innecesario.

El sistema también recurre a una técnica de destilación con doble consulta, alimentada por otros dos modelos de la casa: LingBot-Depth, orientado a la geometría de la escena, y DINO-Video, enfocado en la dinámica temporal. La idea es dotar al controlador de una noción anticipada del entorno —qué hay, dónde está y cómo se mueve— para planificar acciones futuras con mayor precisión.

En el benchmark generalista GM-100, una batería de pruebas para agentes robóticos, el modelo superó tanto a π0.5 como a la versión anterior LingBot-VLA 1.0 en las dos plataformas evaluadas, según los resultados que reporta el equipo. La comparación con π0.5 es relevante porque ese modelo, de la firma Physical Intelligence, se ha convertido en una referencia dentro de la investigación de VLA.

Qué implica una liberación abierta

La decisión de publicar el checkpoint bajo Apache 2.0 abre la puerta a que laboratorios y empresas más pequeñas experimenten con manipulación robótica sin construir sus propios modelos base, un proceso que exige enormes volúmenes de datos y cómputo. Los pesos y el paper técnico están disponibles en el repositorio del proyecto en Hugging Face y en GitHub.

El movimiento refleja una apuesta creciente de las grandes tecnológicas asiáticas por la robótica de propósito general, un terreno donde los modelos fundacionales todavía distan de la madurez que muestran en texto o imagen. Falta ver cómo se comporta LingBot-VLA 2.0 fuera de los bancos de prueba, en entornos reales y desordenados, que es donde la manipulación robótica sigue tropezando.