Ant Group выпустила модель LingBot-VLA. Она управляет роботами с двумя руками. Модель понимает команды и видит мир.
Систему обучали 20 тысяч часов. Использовали данные с девяти разных роботов. Это большой набор для тренировки.
Роботы собирали посуду и предметы. Камеры снимали их действия. Аннотаторы размечали видео на фрагменты.
Модель построена на архитектуре Transformers. Она обрабатывает изображения и команды. Потом робот выполняет действие.
Система учится на потоке данных. Это называется Flow Matching. Движения робота получаются плавными.
Главная задача — обобщение. Робот должен выполнять новые действия. Не просто повторять заученное.
Модель уже тестируют. Используют три платформы для проверки. Результаты опубликовали в arXiv.
