Robbyant 发布 LingBot-VA 2.0，并将其定义为首个“原生具身”视频动作世界模型，具身基础模型竞争正在从借用数字世界模型，转向针对物理执行重新设计底座。 7 月 10 日，蚂蚁集团旗下具身智能公司 Robbyant 通过 Business Wire 发布 LingBot-VA 2.0，并把它定义为行业首个原生面向具身智能与物理世界控制的视频动作世界模型。公司强调，这一版本不是把面向数字内容生成的视频模型简单微调后塞给机器人使用，而是从一开始就围绕动态建模、因果预测和实时执行的需求来设计，目标是让模型更适合真实机器人在物理环境中的感知、判断和动作控制。 这条发布的关键，不在于“世界模型”这个词本身有多新，而在于 Robbyant 公开点破了当前一条主流路线的局限：很多机器人模型其实是从数字内容生成模型改造而来。对内容生成来说，视觉效果和想象空间很重要；但对机器人来说，最重要的是执行效率、物理准确性、误差恢复与跨场景泛化。两者目标函数不同，硬拧在一起会带来知识遗忘和泛化折损。LingBot-VA 2.0 试图解决的，正是这种“模型看起来强，但落到机器人身上并不够好用”的落差。 如果这条路线成立，意味着具身底座模型的竞争标准会进一步变化。过去市场很容易被模型参数、视频演示或单个任务成功率吸引，但真正决定长期竞争力的，是模型能否直接服务于机器人在动态环境里的连续动作链条，尤其是在需要快速反馈和因果预测的场景中。Robbyant 用桌面空气曲棍球等实时交互演示去说明这一点，背后传达的其实是“反应速度、世界理解与动作闭环”正在被放到更高优先级。 对行业来说，这也意味着具身智能的底层栈正在从“借 AI 视频生成技术的东风”进入“为机器人重新造基础设施”的阶段。谁能率先把原生物理世界建模做成稳定底座，谁就更有机会把上层应用扩展到仓储、零售、服务乃至家用场景。因为当机器人面对的是会移动的人、会变化的货物和不可预设的空间时，模型是不是天生为物理世界而生，最终会直接影响部署成本和容错能力。 这类新闻之所以值得今天纳入头条池，是因为它提醒市场：具身智能赛道接下来的壁垒，未必只来自整机或单点技能，更可能来自谁先建立起真正适配物理执行的模型底座。模型原生性、实时性和因果一致性，正在从学术概念变成影响商业落地速度的硬指标。
