lingbot-vla-v2

LingBot-VLA 2.0 是一个面向真实机器人应用的视觉-语言-动作（VLA）基础模型。它通过融合50,000小时多构型机器人轨迹与10,000小时第一人称人类视频数据，支持跨任务、跨本体泛化；扩展了涵盖机械臂、灵巧手、移动底盘等多模态动作空间；并引入基于DINO-Video和LingBot-Depth的预测式动力学建模机制。适用于具身智能研究、服务机器人任务规划、端到端机器人控制等需要视觉理解、语言指令解析与连续动作生成协同的场景。