LingBot-VLA 2.0: a Ant abre um "cérebro" de 6B treinado em 60 mil horas de robôs reais

O gargalo da robótica nunca foi filosófico — é estatístico. Modelos de linguagem aprenderam com trilhões de palavras da internet; robôs não têm internet de movimentos para raspar. Cada hora de manipulação real custa hardware, operadores e paciência. Por isso o anúncio da Robbyant importa menos pelo modelo e mais pelo que veio junto: 60 mil horas de dados físicos reais, curadas de um bruto de 110 mil, alimentando um modelo aberto sob licença Apache-2.0.

O LingBot-VLA 2.0 é um modelo VLA — visão-linguagem-ação, a família de sistemas que traduz câmeras e instruções em comandos de motor. Com 6 bilhões de parâmetros sobre um backbone Qwen3-VL-4B e um "especialista de ação" em arquitetura MoE (mixture-of-experts, em que só parte da rede é ativada por passo), ele foi treinado com 50 mil horas de trajetórias de robôs reais e 10 mil horas de vídeo egocêntrico humano destilado.

O que significa "generalização de morfologia"?

A maioria dos modelos de robótica é treinada para um corpo específico — mude o braço, recomece o treino. Os dados do LingBot-VLA 2.0 vêm de 20 morfologias distintas de 17 fabricantes — Unitree, Franka, AgiBot, AgileX, Astribot, Fourier e outros —, cobrindo braço único, braços duplos, bípedes e bases com rodas. Para unificar tudo, o modelo opera num espaço de ação canônico de 55 dimensões: uma espécie de esperanto motor em que cada robô é um dialeto.

A versão 2.0 também expande o controle para o corpo inteiro — cabeça, cintura, mãos e chassi móvel —, o que na prática distingue um braço que pega objetos de um robô que se move pela cozinha para limpar o fogão.

Os números que o press release não destaca

O comunicado fala em "cérebro universal"; a tabela de resultados é mais honesta. No cenário generalista do benchmark bimanual GM-100, o modelo atinge 66,2 de progresso e 34,4% de sucesso completo no AgileX Cobot Magic — e apenas 15,6% de sucesso no Galaxea R1Pro. Em manipulação móvel de longo horizonte, os números dentro do domínio de treino são respeitáveis (66,7% de sucesso limpando um fogão), mas despencam fora dele: organizar uma geladeira em condições não vistas rende 13,3%.

Isso não é defeito do LingBot em particular — é o estado da arte da área, e a Robbyant merece crédito por publicar os números fora de distribuição em vez de escondê-los. Mas convém calibrar: um robô que falha em dois de cada três pedidos genéricos não substitui ninguém; gera dado de treino para a próxima versão.

Por que a abertura é a notícia de verdade?

A corrida dos VLAs abertos virou disputa geopolítica e industrial ao mesmo tempo. O π0 da Physical Intelligence, o GR00T da NVIDIA e a série OpenVLA disputam o posto de "Linux da robótica"; do lado chinês, AgiBot, Unitree e agora o Ant Group respondem com pesos abertos e — mais raro — dados em escala. Para laboratórios e startups sem frota própria de robôs, um modelo Apache-2.0 treinado em 60 mil horas reais, que roda numa placa de jogos a 130 ms por inferência, baixa dramaticamente o custo de entrada.

Há também o subtexto corporativo: a Ant, dona do Alipay, quer robôs em logística e serviços — e uma comunidade global refinando seu modelo de graça é a estratégia que funcionou para os LLMs chineses de peso aberto, do Qwen ao GLM.

O que observar daqui em diante

Duas coisas. Primeiro, se a comunidade consegue reproduzir os números — benchmarks de manipulação são notoriamente sensíveis a detalhes de setup, e avaliação independente em robótica ainda engatinha. Segundo, a curva das versões: a 1.0 saiu há poucos meses; se a 3.0 dobrar as taxas de sucesso fora de distribuição, a conversa sobre robôs generalistas muda de tom. Por ora, o que a Robbyant abriu não é um cérebro universal — é o material de construção para quem quiser tentar montar um.

Perguntas Frequentes

O que é um modelo VLA?

VLA significa visão-linguagem-ação (vision-language-action): um modelo que recebe imagens de câmera e instruções em linguagem natural e produz diretamente comandos de movimento para o robô, na mesma rede neural — em vez de módulos separados de percepção, planejamento e controle.

O que torna o LingBot-VLA 2.0 diferente de outros VLAs abertos?

A escala e diversidade dos dados: 60 mil horas reais cobrindo 20 tipos de robô de 17 fabricantes, com controle de corpo inteiro (cabeça, cintura, mãos e base móvel) num espaço de ação unificado de 55 dimensões. A maioria dos concorrentes treina com menos dados e menos morfologias.

Ele já serve para uso em produção?

Não. As taxas de sucesso em tarefas generalistas ficam entre 15% e 34%, caindo para 13% em cenários fora do domínio de treino. O valor está em pesquisa, fine-tuning para tarefas específicas e como base para as próximas gerações.

Que hardware é preciso para rodar?

Segundo a Robbyant, uma chamada de inferência leva cerca de 130 ms numa NVIDIA RTX 4090D com 10 passos de denoising — ou seja, uma GPU de consumidor sustenta controle em tempo quase real.