Ant Groupの研究開発ユニットRobbyantは、身体性にネイティブ対応した動画・行動基盤モデル「LingBot-VA 2.0」を公開しました。従来の動画行動モデルがデジタル用部品を流用していたのに対し、同モデルは動画生成を微調整するのではなく、身体性を前提に全スタックを事前学習したとしています。
Robbyantは、バージョン2.0で因果（causal）DiTを新たに“ネイティブに”事前学習したと説明しました。さらに、圧縮中心のVAEを置き換える意味論的なビジュアル・アクショントークナイザを採用し、世界状態と潜在行動を同一の潜在空間に整合させました。
動画ストリームにはスパースMoE（Mixture of Experts）を組み込み、動画側で128の専門家をtop-8でルーティングする構成を示しています。学習ではMCP（Multi-chunk prediction）やT2I、T2V、TI2VA、ICL、人とロボットの共同学習など複数の目的を同時に使い、チャンク境界で段階的に制御する計画機構も備えたとしています。
性能評価では、シミュレーションと実機の両方でRoboTwin 2.0を用い、50タスクに対してクリーンデモ2,500件とランダム化デモ25,000件で学習したと記載されています。比較ではLingBot-VA 2.0の平均スコアが93.6となり、既存のLingBot-VAを上回ったと報告しました。
参照元：2026/07/11 「Ant Group’s Robbyant Unveils LingBot-VA 2.0: A Causal Video-Action Model Built Natively for Physical AI」 https://www.marktechpost.com/2026/07/11/ant-groups-robbyant-unveils-lingbot-va-2-0/
この記事へのリアクション
このニュースをどう受け止めましたか？
コメント