LingBot 到底发布了什么：一文看懂 VLA、VA、World 与 Video 四条路线

TL;DR（三行：场景/结论/产出）

• 场景：你看到 LingBot 一周内连发 VLA 2.0、Video、World 2.0、VA 2.0，名字接近、节奏密集，想搞清「我应该用哪个」「哪个能本地跑」「哪个能商用」。
• 结论：LingBot 不是单线迭代，而是四条并行产品线——Video（内容/数据生成）、World（持续可控世界）、VLA（动作策略）、VA（世界+动作联合建模）；判断标准不是名字，而是「最终输出是什么」。
• 产出：四线对比表、四线核心问题表、版本关系图、发布时间线、8 项开源状态表、按目标选择 4 条决策路径、10 条常见误解速查。

版本矩阵

LingBot 最近连续发布了 VLA 2.0、Video、World 2.0 和 VA 2.0。名称相似、发布时间接近，又都涉及视觉、视频、世界模型和机器人动作，最容易出现的误解是把它们看成同一模型的连续版本。

结论先放在前面：LingBot 不是一条从 VLA 1.0 升级为 VA 2.0 的单线产品，而是至少四条并行产品线。

LingBot-Video：生成视频，强调物理合理性与具身数据 LingBot-World：根据控制信号持续生成可交互世界 LingBot-VLA：从视觉、语言和机器人状态直接预测动作 LingBot-VA：联合预测未来视觉状态与机器人动作

这四条路线会共享视频建模、因果预测、MoE、动作数据等技术，但它们的主目标不同。判断一个模型属于哪条路线，不能只看它是否“会预测未来”，而要看它最终优化什么、输出什么、部署在哪里。

一张表看清四条路线

最核心的差异是输出端：

为什么会混淆

名称只差一两个字母

VLA 是 Vision-Language-Action。VA 在 LingBot 的语境中指 Video-Action，并被进一步描述为 World-Action Model。World 和 Video 又都直接生成视频。因此，四个名称中有三个都与视频有关，两个都与机器人动作有关。

VLA 也开始学习未来动态

传统理解中，VLA 根据当前观测直接输出动作，而世界模型预测未来。LingBot-VLA 2.0 引入了未来感知查询，并从 DINO-Video 和 LingBot-Depth 蒸馏未来语义与几何信息。这使它具有“预测动态”的训练信号，但其主体仍是策略模型，部署时主要输出动作，而不是生成一段供人观看的视频。

VA 也能生成未来画面

LingBot-VA 的训练目标同时包含视觉动态与动作推理。VA 1.0 官方仓库提供 Image-to-Video-Action 推理入口，VA 2.0 论文也将未来视觉 latent 和动作放入统一因果序列。它的视觉输出可以解码或用于推演，但主要价值是为机器人控制提供未来状态，而不是做电影、广告或创意短片。

World 与 Video 都“生成视频”

LingBot-Video 接受提示词并生成一段结果；LingBot-World 接受持续控制信号，并需要让生成世界随着操作继续演化。普通视频生成更像一次性采样，交互式世界模型更像状态机：每一步输出都成为下一步输入的一部分。

正确的版本关系

以下关系是正确的：

LingBot-VLA 1.0 → LingBot-VLA 2.0 LingBot-VA 1.0 → LingBot-VA 2.0 LingBot-World 1.0 → LingBot-World 2.0 / Infinity LingBot-Video：Dense 1.3B 与 MoE 30B-A3B

以下理解是错误的：

V1 = VLA V2 = VA

VLA 和 VA 从一开始就是两条路线。VLA 1.0 于 2026 年 1 月 27 日公开代码和权重；VA 1.0 于 1 月 29 日公开共享骨干模型代码和权重。2026 年 7 月，VLA 2.0 和 VA 2.0 分别发布，不能互相替代。

发布时间线

日期来自官方仓库 News 与 arXiv 记录。由于发布页、代码提交和模型上传可能跨时区发生，媒体报道中的日期可能相差一天。

四条路线分别解决什么问题

LingBot-Video：先把“物理世界视频”生成好

LingBot-Video 是 DiT 视频生成底座，提供 Dense 1.3B 和 MoE 30B-A3B 两个主要版本，支持文本生成图片、文本生成视频和首帧生成视频。

它与普通视频模型的差别不在“能不能生成视频”，而在训练取向。官方强调三点：

1. 使用稀疏 MoE 扩大容量，同时控制单次激活计算量。
2. 在互联网视频之外加入 7 万小时以上具身数据，覆盖机器人操作、导航和第一视角内容。
3. 奖励系统不仅评估美学和提示词遵循，还加入物理合理性与任务完成度。

它依旧是视频生成模型。所谓“面向具身智能”，表示模型更重视动作、因果和物理一致性，不等于它可以直接输出机器人关节指令。

LingBot-World：把视频生成变成持续可控的环境

LingBot-World 的目标是根据相机姿态、角色动作或文本事件持续推进世界状态。World 2.0 又称 World-Infinity，官方强调无限交互时长、快速响应、更多动作类型和 Agentic Harness。

与普通视频生成相比，World 模型必须回答的问题是：

当前画面是什么？ 用户执行了什么控制？ 控制之后世界应当如何变化？ 下一步继续控制时，历史状态如何保留？

公开的 World 2.0 14B causal-fast 模型使用因果分块生成与 KV Cache。官方演示系统声称可以驱动 720p、60 FPS 视频流，但公开仓库给出的参考推理命令是 480×832、361 帧、8 GPU，并明确表示不计划发布生产部署代码。因此，必须区分“官方完整系统能力”和“开源仓库可复现能力”。

LingBot-VLA：以动作策略为中心

VLA 的典型目标可以写成：

[
\pi(a_t \mid o_t, s_t, l)
]

其中 (o_t) 是视觉观测，(s_t) 是机器人状态，(l) 是语言指令，(a_t) 是动作或动作块。

LingBot-VLA 2.0 将预训练数据扩展到约 6 万小时，其中包括 5 万小时机器人轨迹和 1 万小时第一视角人类视频；机器人配置增加到 20 种，并通过 55 维统一状态/动作向量覆盖手臂、末端执行器、夹爪、灵巧手、腰部、头部和移动底盘。

它加入未来动态蒸馏，但这些预测信号服务于动作策略。把 VLA 2.0 当作通用视频生成器，会误解其训练和部署方式。

LingBot-VA：以世界—动作联合建模为中心

VA 的目标更接近：

[
p(z_{t+1:t+k}, a_{t:t+k} \mid z_{\le t}, a_{<t}, l)
]

其中 (z) 是视觉状态的 latent。模型同时预测未来视觉状态和对应动作，使动作推理显式依赖“执行动作后世界会怎样变化”。

VA 1.0 在视频骨干上构建因果 Video-Action 模型；VA 2.0 则提出从头训练面向机器人控制的语义视觉—动作 tokenizer 和因果 DiT，而不是把通用视频生成器后改成控制器。

这条路线的优势假设是：如果模型能预测动作后果，它在长时序、动态环境和少样本任务中可能更稳定。代价是训练和推理链路更复杂，视觉预测也会增加计算负担。

开源状态总表

状态截至 2026 年 7 月 11 日。

“开源”不是单一状态。至少要分别检查：代码、权重、训练数据、训练代码、推理代码、生产部署代码和许可证。World 2.0 就是典型案例：研究推理代码和权重公开，但生产部署代码不公开，且许可证限制商业使用。

哪个模型能生成视频

因此，“可以生成视频”不能直接推出“它是视频内容模型”。VA 输出未来画面，是为了控制；World 输出未来画面，是为了交互；Video 输出未来画面，本身就是产品结果。

如何选择

目标是本地生成短视频

优先考虑 LingBot-Video Dense 1.3B。它有公开单 GPU 脚本，模型包较小，许可证允许商业使用，是最适合先跑通的路线。

目标是做可控制的虚拟世界

考虑 LingBot-World。单卡环境优先研究 World 1.0 的量化版本；多卡环境再尝试 World 2.0 14B。不要把官方实时演示指标直接当作公开代码的性能承诺。

目标是让机器人执行任务

优先从 LingBot-VLA 2.0 开始。它的代码、权重、LeRobot 数据流程、统一动作映射、后训练和部署路径都已公开，工程链路比尚未开源的 VA 2.0 更完整。

目标是研究世界模型如何改善机器人控制

可以运行 LingBot-VA 1.0，并阅读 VA 2.0 论文。VA 1.0 官方给出单卡推理显存数据；VA 2.0 当前更适合做论文与架构分析，而不是承诺本地复现。

真正值得关注的趋势

四条路线并非互不相关，而是在向一个共同方向靠拢：视频模型开始学习物理和动作，世界模型开始接收 Agent 控制，VLA 开始吸收未来动态，VA 则把视觉预测和动作策略合并成统一因果模型。

最终竞争点可能不再是“VLA 还是世界模型”，而是哪个系统能在可接受的延迟和算力下，同时做到语言理解、物理预测、动作精度、跨本体泛化和闭环纠错。

结论

理解 LingBot 的最简单方式不是记住所有型号，而是先看输出：

输出可观看视频：Video 输出可持续交互的视频世界：World 输出机器人动作：VLA 同时输出未来视觉状态和动作：VA

版本号只在同一产品线内部比较。VLA 2.0 仍然是 VLA，VA 2.0 仍然是 VA；World 2.0 和 Video 又是另外两条路线。把这一层关系理清，后续的架构、开源状态和硬件配置才不会混在一起。

参考资料

• Robbyant 官方 GitHub 组织
• LingBot-VLA 1.0 官方仓库
• LingBot-VLA 2.0 官方仓库
• LingBot-VA 1.0 官方仓库
• LingBot-VA 2.0 论文
• LingBot-World 1.0 官方仓库
• LingBot-World 2.0 官方仓库
• LingBot-Video 官方仓库

错误速查卡