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。版本矩阵产品线版本发布日期代码权重许可证状态LingBot-VLA1.0⚠️ 用户声明 2026-01-27✅ 已公开✅ 已公开4B 系列Apache 2.0已验证公开发布渠道LingBot-VLA2.02026-07-08✅ 已公开✅ 已公开6BApache 2.0✅ 已验证GitHub 多家科技媒体LingBot-VA1.0⚠️ 用户声明 2026-01-29部分媒体记 1-30✅ 已公开✅ 已公开Apache 2.0已验证GitHub RSS 2026 1 月底媒体LingBot-VA2.0⚠️ 用户声明 2026-07-09多家媒体记 7-10❌ 未发现❌ 未发现❌ 未核实论文与项目页已公开代码/权重截至 7-11 未发布LingBot-World1.0⚠️ 用户声明 2026-01-29✅ 已公开✅ 已公开Apache 2.0已验证有社区 NF4 量化版LingBot-World2.0 / Infinity2026-07-09✅ 已公开研究推理✅ 已公开14B causal-fastCC BY-NC-SA 4.0✅ 已验证公开仓库 报道LingBot-VideoDense 1.3B2026-07-09✅ 已公开✅ 已公开Apache 2.0✅ 已验证LingBot-VideoMoE 30B-A3B2026-07-09✅ 已公开✅ 已公开含 RefinerApache 2.0✅ 已验证LingBot-VLA 2.0 数据规模6 万小时————✅ 已验证5 万小时机器人轨迹 1 万小时第一视角LingBot-VLA 2.0 机器人构型20 种 / 55 维状态动作向量————✅ 已验证LingBot-Video 训练数据互联网视频 7 万小时 具身数据————✅ 已验证World 2.0 推理公开参考路径 8 GPU / 480×832 / 361 帧————✅ 已验证仓库 READMEWorld 2.0 实时演示720p / 60 FPS 视频流————⚠️ 官方演示系统声称公开仓库无法复现arXiv 2607.08639VA 2.0—————⚠️ 用户声明arXiv 编号格式与现有 6 位数字规则不一致发布前请核 arXiv 实际 IDLingBot 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产品线主要输入主要输出优化目标典型使用场景LingBot-Video文本、首帧图片图片或视频视频质量、提示词遵循、物理合理性、任务完成度内容生成、具身数据生成、视频预训练底座LingBot-World初始画面、文本、相机或角色控制信号可连续推进的视频世界控制响应、长期一致性、交互持续性交互式世界、游戏原型、Agent 环境、模拟器研究LingBot-VLA摄像头画面、语言指令、机器人状态机器人动作或动作块任务成功率、动作精度、跨任务和跨本体泛化机械臂、双臂、移动操作机器人LingBot-VA历史画面、语言、动作历史未来视觉状态与机器人动作世界动态预测、动作后果建模、闭环控制长时序机器人控制、动态场景、少样本适配最核心的差异是输出端文本或图像LingBot-Video可观看视频初始世界 控制信号LingBot-World持续演化的交互视频观察 指令 机器人状态LingBot-VLA机器人动作历史观察 指令 动作历史LingBot-VA未来视觉状态机器人动作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-VideoDense 1.3B 与 MoE 30B-A3B以下理解是错误的V1 VLA V2 VAVLA 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。发布时间线日期事件公开状态2026-01-27LingBot-VLA 1.0代码、4B 权重、后训练流程公开2026-01-29LingBot-VA 1.0代码、基础权重、后训练和评估流程公开2026-01-29LingBot-World 1.0代码和模型公开Apache 2.02026-07-08LingBot-VLA 2.0代码、6B 预训练权重、后训练与部署流程公开2026-07-09LingBot-Video代码、Dense 1.3B、MoE 30B-A3B、Refiner 和 Rewriter 公开2026-07-09LingBot-World 2.0 / Infinity14B causal-fast 权重与研究推理代码公开2026-07-09LingBot-VA 2.0 论文提交论文与项目页公开截至 7 月 11 日未发现官方代码和权重日期来自官方仓库 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。官方强调三点使用稀疏 MoE 扩大容量同时控制单次激活计算量。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。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_{t1:tk}, a_{t:tk} \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。项目代码权重许可证备注LingBot-Video Dense 1.3B已公开已公开Apache 2.0模型包约 12.2 GBLingBot-Video MoE 30B-A3B已公开已公开Apache 2.0完整模型包约 130 GB含 RefinerLingBot-World 1.0已公开已公开Apache 2.0有社区 NF4 量化版本LingBot-World 2.0 14B causal-fast已公开已公开CC BY-NC-SA 4.0非商业公开参考路径为 8 GPULingBot-VLA 1.0已公开已公开Apache 2.04B 系列LingBot-VLA 2.0已公开已公开Apache 2.06B模型仓库约 28.2 GBLingBot-VA 1.0已公开已公开Apache 2.0基础模型仓库约 24.4 GBLingBot-VA 2.0未发现未发现未核实论文和项目页已公开“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模型是否生成视觉序列视觉序列的主要用途LingBot-Video是最终内容输出LingBot-World是作为可持续交互的世界状态LingBot-VA是预测动作后果、规划和闭环控制LingBot-VLA通常不是最终输出未来动态主要作为辅助表征或训练监督因此“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。通用视频生成物理与具身数据LingBot-Video可控、因果、连续生成LingBot-World视觉语言模型动作专家LingBot-VLA未来动态辅助监督世界状态预测LingBot-VA / World-Action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 VLAVA 2.0 仍然是 VAWorld 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症状根因定位修复把 LingBot 当作「VLA 1.0 → VLA 2.0 → VA 2.0」单线迭代名称近似 节奏密集容易把 4 条产品线误读为版本号关系看「正确的版本关系」一节记住4 条产品线并行版本号只在各自产品线内部比较误以为 VLA V1、VA V2名称只差 1–2 个字母看「名称只差一两个字母」段VLA/VA 从一开始就是两条路线VLA 1.0 是 2026-01-27VA 1.0 是 2026-01-29把 LingBot-VLA 2.0 当通用视频生成器用VLA 2.0 引入了未来动态蒸馏但主体仍是策略模型部署目标是让机器人完成任务看「LingBot-VLA以动作策略为中心」节用 VLA 2.0 跑机器人控制要做视频内容用 Video 1.3B/30B-A3B把 LingBot-VA 当作「升级版 VLA」VA 同时输出未来视觉状态和动作主价值是控制而非内容看「LingBot-VA以世界—动作联合建模为中心」节VA 的视觉输出主要服务闭环控制它不等同于「更强 VLA」把 LingBot-World 的 720p/60 FPS 实时演示当公开代码性能公开仓库参考路径是 480×832、361 帧、8 GPU生产部署代码不发布看 World 2.0 README区分「官方完整系统能力」和「开源仓库可复现能力」按 8 GPU/480p 估算本地可行性误以为 World 2.0 可以商用14B causal-fast 权重走 CC BY-NC-SA 4.0限制商业使用看「开源状态总表」商用前先看许可证World 1.0 才是 Apache 2.0直接套用 LingBot-Video MoE 30B-A3B 做本地实验完整模型包约 130 GB普通工作站难以承受看「开源状态总表」优先跑 Dense 1.3B≈12.2 GB单 GPU 脚本误以为 VA 2.0 已经有可下载权重VA 2.0 论文与项目页已公开但代码/权重截至 7-11 未发布看「开源状态总表」现阶段用 VA 1.0 跑通VA 2.0 当作论文 架构分析用「可以生成视频」推断「是视频内容模型」VA、World、Video 都能输出视频但用途不同看「哪个模型能生成视频」表按「最终输出是给谁看」分类内容 / 交互 / 控制跨产品线比较版本号如 VLA 2.0 vs VA 2.04 条线优化目标不同版本号不能直接横比看「结论」一节选型先写清最终输出可观看视频 / 可持续世界 / 动作 / 未来状态动作再选产品线