Il 11 luglio 2026, Robbyant, l’unità di embodied-AI all’interno del colosso fintech cinese Ant Group, ha presentato LingBot-VA 2.0, un modello per la manipolazione robotica che descrive come il primo foundation model “embodied-native”. La rivendicazione riguarda il metodo: invece di adattare un generatore video già pronto, Robbyant afferma di aver preaddestrato da zero un diffusion transformer causale, specificamente per il controllo fisico.
Perché “da zero”
L’azienda sostiene che il fine-tuning di un modello video per la robotica si porti dietro un bagaglio di limiti: latenti visivi che conservano l’aspetto ma poca struttura fisica, una denoising troppo lenta per il controllo in closed loop e obiettivi di addestramento che non insegnano mai come le azioni ridisegnino il mondo. La risposta della versione 2.0, nel linguaggio di Robbyant, è che “preaddestra un DiT causale in modo nativo”, costruendo l’intero stack per l’embodiment invece di prenderlo in prestito dalla generazione di contenuti.
I numeri
LingBot-VA 2.0 utilizza circa 15,3 miliardi di parametri totali, con circa 2,5 miliardi attivi per token, suddivisi tra un “video expert” mixture-of-experts (128 esperti instradati) e un “action expert” denso. Robbyant riporta un tasso medio di successo del 93,6% su 50 task nel benchmark di simulazione RoboTwin 2.0 — davanti al proprio v1, fermo al 92,2%, e a un metodo precedente, Motus, all’87,9%. Una serie di ottimizzazioni dell’inferenza ha ridotto la latenza da 927 a 142 millisecondi per chunk, consentendo un controllo asincrono a 225 Hz, pari a un’accelerazione di circa sei volte.
Le cautele
Tutti i dati qui riportati sono dichiarati dal fornitore, tratti dal paper e dalla pagina del progetto di Robbyant e riassunti dalla testata MarkTechPost, senza alcuna replica indipendente. I risultati del benchmark sono solo in simulazione; la performance del modello su robot reali è descritta in modo qualitativo (task come air hockey e gestione di nastri trasportatori). E a differenza del gemello LingBot-VLA 2.0 — un modello separato da 6 miliardi di parametri rilasciato con licenza Apache-2.0 l’8 luglio — non è stato confermato il rilascio di pesi o codice per VA 2.0, quindi per ora è meglio leggerlo come un annuncio basato su paper e pagina progetto.
La corsa cinese all’embodied-AI
Il lancio chiude una settimana insolitamente densa: Robbyant ha rilasciato nell’arco di pochi giorni depth, vision, una policy vision-language-action e un world model. Presi insieme, questi ritmi indicano che Ant Group sta scalando uno stack completo di embodied-AI, e si inseriscono in una più ampia spinta cinese verso i foundation model per la robotica e i rilasci open.