具身智能正在经历从实验室走向产业化的关键转折点。长期以来,机器人操控模型面临着"一机一训"的困境——每换一个机器人本体、每增加一个新任务,都需要重新采集数据、重新训练模型,这种高昂的迁移成本严重制约了具身智能的规模化落地。

此次蚂蚁集团开源的 LingBot-VLA 具身大模型,为行业带来了三个重要突破:

首次验证了具身智能领域的 Scaling Law
通过 20,000 小时真实机器人数据的预训练,系统性证明了 VLA 模型性能随数据规模持续提升的规律。这一发现意义重大——它表明具身智能可以像大语言模型一样,通过"大数据+大模型"的范式实现能力跃迁,为行业指明了清晰的技术路线。
解决了跨本体泛化的核心难题
通过涵盖 9 种主流双臂机器人构型的大规模预训练,LingBot-VLA 实现了"一个大脑,多种身体"的愿景。在 GM-100 真机评测中,其跨本体泛化成功率达到 17.3%,这意味着同一个模型可以快速适配不同厂商的机器人硬件,大幅降低了商业化部署的门槛。
打造了真正实用的开源生态
不同于许多"只开源权重"的项目,LingBot-VLA 同步开放了数据处理、高效微调、自动化评估的全套工具链,训练效率达到主流框架的 1.5~2.8 倍。这种"开箱即用"的完整方案,将帮助开发者以更低成本快速落地自己的具身智能应用。
特别值得关注的是,LingBot-VLA 引入深度信息后的性能提升,体现了空间感知能力对机器人操控的重要性。结合昨日开源的 LingBot-Depth 模型,我们看到了一个清晰的技术演进路径:从精准的空间感知到智能的操控决策,具身智能正在构建起完整的"感知-认知-执行"闭环。

随着蚂蚁集团承诺未来几天将陆续开源更多具身智能成果,我们有理由相信,2026 年将成为具身智能从"能用"到"好用"、从"实验室"到"生产线"的关键转折年。

SegmentFault 思否编辑部
2026年1月

以下内容转载自蚂蚁灵波科技官方公众号。

继昨日开源高精度空间感知模型 LingBot-Depth 后，今天，我们为大家带来了具身大模型 LingBot-VLA。

LingBot-VLA 具身大模型全面开源

在上海交通大学开源的具身评测基准 GM-100（包含 100 项真实操作任务）测试中，LingBot-VLA 在 3 个不同的真实机器人平台上，跨本体泛化平均成功率相较于 Pi0.5 的 13.0% 提升至 15.7%（w/o Depth）。引入深度信息（w/ Depth）后，空间感知能力增强，平均成功率进一步攀升至 17.3%，展现了 LingBot-VLA 强大的准确性和泛化性。

在 GM-100 真机评测中，LingBot-VLA 跨本体泛化性能领先

在 RoboTwin 2.0 仿真基准（包含50项任务）评测中，面对高强度的环境随机化干扰（如光照、杂物、高度扰动），LingBot-VLA 凭借独特的可学习查询对齐机制，高度融合深度信息，操作成功率比 Pi0.5 提升了 9.92%，实现了从虚拟仿真到真实落地的全方位性能领跑。

在 RoboTwin 2.0 仿真评测中，LingBot-VLA 跨任务泛化性能领先

01 Scaling Law 下的大规模真机数据预训练
长期以来，由于本体差异、任务差异、环境差异等，具身智能模型落地面临严重的泛化性挑战。开发者往往需要针对不同硬件和不同任务重复采集大量数据进行后训练，直接抬高了落地成本，也使行业难以形成可规模化复制的交付路径。
图片
针对上述问题，我们基于在海量真实世界数据上的预训练，第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 Scaling Law。项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000，最终至 20,000 小时，模型在下游任务的成功率获得持续且显著的提升。值得注意的是，预训练数据量达到 20,000 小时时，模型性能仍呈现上升趋势，表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性，为未来的 VLA 开发和大规模数据挖掘提供了重要启示。
图片
依此研究结果，我们仔细构造了 20,000 小时的真实机器人训练数据，涵盖了 9 种主流的双臂机器人构型（包括 AgileX Cobot Magic，Galaxea R1Pro、R1Lite 、AgiBot G1等）。为了进行精确的数据标注，数据里的视频由人工标注者按原子动作进行切分，并用大模型标注视频对应任务和子任务。在 codebase 的开发中，适配了 Fully Sharded Data Parallel (FSDP) 分布式、混合精度、算子融合等优化，从而让同一个“大脑”可以快速迁移至不同形态的机器人上，并在任务变化、环境变化时保持可用的成功率与鲁棒性。

02 深度信息辅助的机器人操控性能提升

仿真实验结果

为了显式捕捉操控环境中的空间感知能力，并进一步提升机器人执行的鲁棒性，我们采用了一种基于查询向量（query）的深度蒸馏方法。具体而言，我们引入了与三视角操作图像相对应的可学习 queries，这些 queries 经 VLM 处理后，与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时，有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明，深度信息的融入提升了 LingBot-VLA 的操控性能。

03 后训练成本低、效率高、代码全开源，真正实用的 VLA 模型
得益于涵盖主流构型和详尽任务的大规模预训练，LingBot-VLA 具备强大的通用操控能力，并且能够将其高效迁移到多样的下游机器人任务中。实验表明，LingBot-VLA 在下游任务中能够使用更少的数据，达到超越 π0.5 的性能；并且性能优势会随着数据量的增加而持续扩大。目前，LingBot-VLA 已与星海图、松灵、乐聚等知名机器人厂商完成适配，验证了模型在不同构型机器人上的跨本体迁移能力。

与此同时，我们构建了一套高效的后训练工具链，在 8 卡 GPU 配置下实现了单卡每秒 261 个样本的吞吐量，其训练效率达到 StarVLA、OpenPI 等主流框架的 1.5~2.8 倍，实现了数据与算力成本的双重降低。此次开源，我们不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。我们希望这一举措可以大幅压缩模型训练周期，降低商业化落地的算力与时间门槛，助力开发者以更低成本快速适配自有场景，提升模型实用性。目前我们的模型、后训练代码、技术报告、以及我们和上海交大共同打造的 GM-100 Benchmark 已全部开源，欢迎大家访问我们的开源仓库。

具身智能的大规模应用依赖高效的具身大模型，这直接决定了模型是否可用以及能否用得起。我们希望通过 LingBot-VLA 的开源，积极探索具身智能上限，推进具身智能研发早日进入可复用、可验证、可规模化落地的新阶段。

本周，我们已相继开源 LingBot-Depth 和 LingBot-VLA 两款模型，未来几天，我们还将陆续为大家带来我们在具身智能领域智能基座方向的更多成果。我们期待与全球开发者、研究者、产业伙伴一起，加速具身智能技术的迭代与规模化应用，助力 AGI 更快到来。weibo.com/ttarticle/p/show?id=2309405273659522023441 weibo.com/ttarticle/p/show?id=2309405273659853373480 weibo.com/ttarticle/p/show?id=2309405273660188917838 weibo.com/ttarticle/p/show?id=2309405273660641902604 weibo.com/ttarticle/p/show?id=2309405273660964864105 weibo.com/ttarticle/p/show?id=2309405273661287825449 weibo.com/ttarticle/p/show?id=2309405273661623107604 weibo.com/ttarticle/p/show?id=2309405273661942136856 weibo.com/ttarticle/p/show?id=2309405273662265098279 个

在金仓数据库中，数据库实例初始化的时候会创建一个目录，通常都会在系统配置相关的环境变量$KINGBASEDATA来表示。当数据库初始化完成后，会在这个目录生成相关的子目录以及一些文件。下图就是金仓数据库的物理结构：

数据文件用于存储数据，文件名以oid命名。对于超出1G的数据文件，金仓数据库会自动将其拆分为多个文件来存储，而拆分的文件名将由sys_class中的relfilenode字段来决定。视频讲解如下：
https://www.bilibili.com/video/BV1mQPvzuEf2/?aid=116170409711...

通过下面的步骤可以确定表所对应的数据文件。

（1）查看数据库的OID。

kingbase=# select oid,datname from sys_database;

# 输出的信息如下：  
  oid  |  datname  
-------+-----------
 14791 | test
 14792 | kingbase
     1 | template1
 14790 | template0
 14793 | security
 16384 | scott
(6 行记录)

# 14792 是数据库kingbase的OID。

（2）查询testtable1表的OID。

kingbase=# select oid,relname,relkind,relfilenode from sys_class 
           where relname ='testtable1';

# 输出的信息如下：  
  oid  |  relname   | relkind | relfilenode 
-------+------------+---------+-------------
 16428 | testtable1 | r       |       16428
(1 行记录)

# 16428 是表testtable1的OID。

（3）查看表空间mydemotbs对应的目录，如下图所示。

具身智能正在经历从实验室走向产业化的关键转折点。长期以来,机器人操控模型面临着"一机一训"的困境——每换一个机器人本体、每增加一个新任务,都需要重新采集数据、重新训练模型,这种高昂的迁移成本严重制约了具身智能的规模化落地。

此次蚂蚁集团开源的 LingBot-VLA 具身大模型,为行业带来了三个重要突破:

首次验证了具身智能领域的 Scaling Law
通过 20,000 小时真实机器人数据的预训练,系统性证明了 VLA 模型性能随数据规模持续提升的规律。这一发现意义重大——它表明具身智能可以像大语言模型一样,通过"大数据+大模型"的范式实现能力跃迁,为行业指明了清晰的技术路线。
解决了跨本体泛化的核心难题
通过涵盖 9 种主流双臂机器人构型的大规模预训练,LingBot-VLA 实现了"一个大脑,多种身体"的愿景。在 GM-100 真机评测中,其跨本体泛化成功率达到 17.3%,这意味着同一个模型可以快速适配不同厂商的机器人硬件,大幅降低了商业化部署的门槛。
打造了真正实用的开源生态
不同于许多"只开源权重"的项目,LingBot-VLA 同步开放了数据处理、高效微调、自动化评估的全套工具链,训练效率达到主流框架的 1.5~2.8 倍。这种"开箱即用"的完整方案,将帮助开发者以更低成本快速落地自己的具身智能应用。
特别值得关注的是,LingBot-VLA 引入深度信息后的性能提升,体现了空间感知能力对机器人操控的重要性。结合昨日开源的 LingBot-Depth 模型,我们看到了一个清晰的技术演进路径:从精准的空间感知到智能的操控决策,具身智能正在构建起完整的"感知-认知-执行"闭环。

随着蚂蚁集团承诺未来几天将陆续开源更多具身智能成果,我们有理由相信,2026 年将成为具身智能从"能用"到"好用"、从"实验室"到"生产线"的关键转折年。

SegmentFault 思否编辑部
2026年1月

以下内容转载自蚂蚁灵波科技官方公众号。

继昨日开源高精度空间感知模型 LingBot-Depth 后，今天，我们为大家带来了具身大模型 LingBot-VLA。

LingBot-VLA 具身大模型全面开源

在上海交通大学开源的具身评测基准 GM-100（包含 100 项真实操作任务）测试中，LingBot-VLA 在 3 个不同的真实机器人平台上，跨本体泛化平均成功率相较于 Pi0.5 的 13.0% 提升至 15.7%（w/o Depth）。引入深度信息（w/ Depth）后，空间感知能力增强，平均成功率进一步攀升至 17.3%，展现了 LingBot-VLA 强大的准确性和泛化性。

在 GM-100 真机评测中，LingBot-VLA 跨本体泛化性能领先

在 RoboTwin 2.0 仿真基准（包含50项任务）评测中，面对高强度的环境随机化干扰（如光照、杂物、高度扰动），LingBot-VLA 凭借独特的可学习查询对齐机制，高度融合深度信息，操作成功率比 Pi0.5 提升了 9.92%，实现了从虚拟仿真到真实落地的全方位性能领跑。

在 RoboTwin 2.0 仿真评测中，LingBot-VLA 跨任务泛化性能领先

01 Scaling Law 下的大规模真机数据预训练
长期以来，由于本体差异、任务差异、环境差异等，具身智能模型落地面临严重的泛化性挑战。开发者往往需要针对不同硬件和不同任务重复采集大量数据进行后训练，直接抬高了落地成本，也使行业难以形成可规模化复制的交付路径。
图片
针对上述问题，我们基于在海量真实世界数据上的预训练，第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 Scaling Law。项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000，最终至 20,000 小时，模型在下游任务的成功率获得持续且显著的提升。值得注意的是，预训练数据量达到 20,000 小时时，模型性能仍呈现上升趋势，表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性，为未来的 VLA 开发和大规模数据挖掘提供了重要启示。
图片
依此研究结果，我们仔细构造了 20,000 小时的真实机器人训练数据，涵盖了 9 种主流的双臂机器人构型（包括 AgileX Cobot Magic，Galaxea R1Pro、R1Lite 、AgiBot G1等）。为了进行精确的数据标注，数据里的视频由人工标注者按原子动作进行切分，并用大模型标注视频对应任务和子任务。在 codebase 的开发中，适配了 Fully Sharded Data Parallel (FSDP) 分布式、混合精度、算子融合等优化，从而让同一个“大脑”可以快速迁移至不同形态的机器人上，并在任务变化、环境变化时保持可用的成功率与鲁棒性。

02 深度信息辅助的机器人操控性能提升

仿真实验结果

为了显式捕捉操控环境中的空间感知能力，并进一步提升机器人执行的鲁棒性，我们采用了一种基于查询向量（query）的深度蒸馏方法。具体而言，我们引入了与三视角操作图像相对应的可学习 queries，这些 queries 经 VLM 处理后，与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时，有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明，深度信息的融入提升了 LingBot-VLA 的操控性能。

03 后训练成本低、效率高、代码全开源，真正实用的 VLA 模型
得益于涵盖主流构型和详尽任务的大规模预训练，LingBot-VLA 具备强大的通用操控能力，并且能够将其高效迁移到多样的下游机器人任务中。实验表明，LingBot-VLA 在下游任务中能够使用更少的数据，达到超越 π0.5 的性能；并且性能优势会随着数据量的增加而持续扩大。目前，LingBot-VLA 已与星海图、松灵、乐聚等知名机器人厂商完成适配，验证了模型在不同构型机器人上的跨本体迁移能力。

与此同时，我们构建了一套高效的后训练工具链，在 8 卡 GPU 配置下实现了单卡每秒 261 个样本的吞吐量，其训练效率达到 StarVLA、OpenPI 等主流框架的 1.5~2.8 倍，实现了数据与算力成本的双重降低。此次开源，我们不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。我们希望这一举措可以大幅压缩模型训练周期，降低商业化落地的算力与时间门槛，助力开发者以更低成本快速适配自有场景，提升模型实用性。目前我们的模型、后训练代码、技术报告、以及我们和上海交大共同打造的 GM-100 Benchmark 已全部开源，欢迎大家访问我们的开源仓库。

具身智能的大规模应用依赖高效的具身大模型，这直接决定了模型是否可用以及能否用得起。我们希望通过 LingBot-VLA 的开源，积极探索具身智能上限，推进具身智能研发早日进入可复用、可验证、可规模化落地的新阶段。

本周，我们已相继开源 LingBot-Depth 和 LingBot-VLA 两款模型，未来几天，我们还将陆续为大家带来我们在具身智能领域智能基座方向的更多成果。我们期待与全球开发者、研究者、产业伙伴一起，加速具身智能技术的迭代与规模化应用，助力 AGI 更快到来。weibo.com/ttarticle/p/show?id=2309405273647681241194 weibo.com/ttarticle/p/show?id=2309405273647995813905 weibo.com/ttarticle/p/show?id=2309405273648306192483 weibo.com/ttarticle/p/show?id=2309405273648616833063 weibo.com/ttarticle/p/show?id=2309405273648935338007 weibo.com/ttarticle/p/show?id=2309405273649250173037 weibo.com/ttarticle/p/show?id=2309405273649560551429 weibo.com/ttarticle/p/show?id=2309405273649879318562 weibo.com/ttarticle/p/show?id=2309405273650210668552 个

在全球数字营销市场中，英国一直是最重要的广告投放地区之一。英国不仅拥有成熟的消费市场和较高的人均消费能力，同时也是许多跨境电商品牌和 SaaS 产品重点布局的地区。因此，越来越多企业开始尝试在 Facebook 上进行英国本地广告投放。
然而，很多广告主在实际操作过程中会发现一个问题：即使广告定位英国用户，广告账号的稳定性、审核速度以及投放效果却并不理想。导致这些问题的原因往往不仅仅是广告素材或受众设置，而是网络环境。特别是 IP 地址的地域属性和真实性，对广告系统的判断有着重要影响。
这也是为什么在英国广告投放场景中，“英国原生 IP”逐渐成为许多广告团队关注的关键资源。

什么是英国原生 IP

英国原生 IP，通常指由英国本地互联网运营商分配的 IP 地址。这类 IP 来自真实的英国网络环境，例如家庭宽带或本地运营商网络。
在互联网平台的风控系统中，这类 IP 通常被识别为真实用户网络，因此可信度较高。相比之下，一些来自数据中心机房的 IP 地址由于访问行为异常频繁，或者长期被自动化工具使用，很容易被标记为高风险节点。
对于广告投放来说，如果账号经常在非目标地区登录或频繁切换国家 IP，很容易触发平台的安全策略，从而导致账号验证、广告审核延迟甚至账户受限。
因此，在进行英国市场广告投放时，使用英国原生 IP 可以让账号环境更接近真实本地用户。

为什么 Facebook 广告更依赖真实 IP 环境

广告平台在判断账号可信度时，会综合多个信号，包括设备指纹、登录地点、IP 地址、访问行为等。其中 IP 地址的地理位置非常关键。
如果一个账号宣称主要运营英国市场，但实际登录 IP 来自其他国家，系统可能会认为账号存在异常行为。尤其是在广告账户刚创建或刚开始投放时，这种不一致的环境更容易触发风控。
当账号登录环境稳定、IP 地理位置与业务目标一致时，系统通常会给予更高的信任度。广告审核速度、投放稳定性以及账户安全性都会相对更好。
对于长期运营英国广告账户的团队来说，稳定的英国 IP 环境几乎是基础设施之一。

如何选择合适的英国原生 IP

在选择英国 IP 时，首先需要关注 IP 的来源。来自真实家庭网络或 ISP 运营商的 IP 通常更稳定，也更接近普通用户环境。
其次是 IP 的纯净度。如果一个 IP 被大量用户频繁使用，或者曾经用于自动化操作，那么在平台系统中可能已经被标记为风险 IP。这样的 IP 即使来自英国，也可能影响广告账号的稳定性。
此外，IP 的稳定性也很重要。如果每次登录广告账户时 IP 都发生巨大变化，很容易触发安全验证。因此很多团队会选择支持固定出口或稳定节点的代理服务。

为什么专业代理服务更适合广告投放

随着跨境营销行业的发展，越来越多广告团队开始使用专业代理服务来管理网络环境。这类服务通常拥有更大的 IP 资源池，并且能够提供真实住宅或 ISP 网络 IP。
例如 B2Proxy 提供覆盖 195+ 国家和地区的住宅代理与 ISP 代理资源，其中包括英国本地网络 IP。通过这些节点，广告团队可以建立稳定的英国访问环境，使广告账户的登录地点与目标市场保持一致。
对于需要长期投放英国市场广告的团队来说，这种稳定的网络环境不仅可以提升账号安全性，也有助于保持广告账户的正常运营。

构建稳定的广告投放环境

成功的 Facebook 广告投放不仅仅依赖创意素材或精准受众，还需要稳定的运营环境。真实的本地 IP、稳定的设备环境以及一致的登录位置，都会影响广告账户的长期表现。
在实际操作中，许多跨境营销团队会通过住宅代理建立本地化网络环境，并结合固定设备和稳定账号管理策略，从而减少风控风险。

总结

在英国市场进行广告投放时，网络环境往往是被忽视却非常关键的一环。使用真实的英国原生 IP，可以帮助广告账户建立更可信的登录环境，降低风控风险，同时提高广告投放的稳定性。
对于跨境营销团队来说，选择可靠的代理服务商并建立稳定的 IP 环境，是长期运营英国市场广告的重要基础。通过合理利用英国原生 IP 和专业代理资源，企业能够更顺利地开展 Facebook 本地广告投放，并持续扩大品牌在英国市场的影响力。

具身智能正在经历从实验室走向产业化的关键转折点。长期以来,机器人操控模型面临着"一机一训"的困境——每换一个机器人本体、每增加一个新任务,都需要重新采集数据、重新训练模型,这种高昂的迁移成本严重制约了具身智能的规模化落地。

此次蚂蚁集团开源的 LingBot-VLA 具身大模型,为行业带来了三个重要突破:

首次验证了具身智能领域的 Scaling Law
通过 20,000 小时真实机器人数据的预训练,系统性证明了 VLA 模型性能随数据规模持续提升的规律。这一发现意义重大——它表明具身智能可以像大语言模型一样,通过"大数据+大模型"的范式实现能力跃迁,为行业指明了清晰的技术路线。
解决了跨本体泛化的核心难题
通过涵盖 9 种主流双臂机器人构型的大规模预训练,LingBot-VLA 实现了"一个大脑,多种身体"的愿景。在 GM-100 真机评测中,其跨本体泛化成功率达到 17.3%,这意味着同一个模型可以快速适配不同厂商的机器人硬件,大幅降低了商业化部署的门槛。
打造了真正实用的开源生态
不同于许多"只开源权重"的项目,LingBot-VLA 同步开放了数据处理、高效微调、自动化评估的全套工具链,训练效率达到主流框架的 1.5~2.8 倍。这种"开箱即用"的完整方案,将帮助开发者以更低成本快速落地自己的具身智能应用。
特别值得关注的是,LingBot-VLA 引入深度信息后的性能提升,体现了空间感知能力对机器人操控的重要性。结合昨日开源的 LingBot-Depth 模型,我们看到了一个清晰的技术演进路径:从精准的空间感知到智能的操控决策,具身智能正在构建起完整的"感知-认知-执行"闭环。

随着蚂蚁集团承诺未来几天将陆续开源更多具身智能成果,我们有理由相信,2026 年将成为具身智能从"能用"到"好用"、从"实验室"到"生产线"的关键转折年。

SegmentFault 思否编辑部
2026年1月

以下内容转载自蚂蚁灵波科技官方公众号。

继昨日开源高精度空间感知模型 LingBot-Depth 后，今天，我们为大家带来了具身大模型 LingBot-VLA。

LingBot-VLA 具身大模型全面开源

在上海交通大学开源的具身评测基准 GM-100（包含 100 项真实操作任务）测试中，LingBot-VLA 在 3 个不同的真实机器人平台上，跨本体泛化平均成功率相较于 Pi0.5 的 13.0% 提升至 15.7%（w/o Depth）。引入深度信息（w/ Depth）后，空间感知能力增强，平均成功率进一步攀升至 17.3%，展现了 LingBot-VLA 强大的准确性和泛化性。

在 GM-100 真机评测中，LingBot-VLA 跨本体泛化性能领先

在 RoboTwin 2.0 仿真基准（包含50项任务）评测中，面对高强度的环境随机化干扰（如光照、杂物、高度扰动），LingBot-VLA 凭借独特的可学习查询对齐机制，高度融合深度信息，操作成功率比 Pi0.5 提升了 9.92%，实现了从虚拟仿真到真实落地的全方位性能领跑。

在 RoboTwin 2.0 仿真评测中，LingBot-VLA 跨任务泛化性能领先

01 Scaling Law 下的大规模真机数据预训练
长期以来，由于本体差异、任务差异、环境差异等，具身智能模型落地面临严重的泛化性挑战。开发者往往需要针对不同硬件和不同任务重复采集大量数据进行后训练，直接抬高了落地成本，也使行业难以形成可规模化复制的交付路径。
图片
针对上述问题，我们基于在海量真实世界数据上的预训练，第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 Scaling Law。项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000，最终至 20,000 小时，模型在下游任务的成功率获得持续且显著的提升。值得注意的是，预训练数据量达到 20,000 小时时，模型性能仍呈现上升趋势，表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性，为未来的 VLA 开发和大规模数据挖掘提供了重要启示。
图片
依此研究结果，我们仔细构造了 20,000 小时的真实机器人训练数据，涵盖了 9 种主流的双臂机器人构型（包括 AgileX Cobot Magic，Galaxea R1Pro、R1Lite 、AgiBot G1等）。为了进行精确的数据标注，数据里的视频由人工标注者按原子动作进行切分，并用大模型标注视频对应任务和子任务。在 codebase 的开发中，适配了 Fully Sharded Data Parallel (FSDP) 分布式、混合精度、算子融合等优化，从而让同一个“大脑”可以快速迁移至不同形态的机器人上，并在任务变化、环境变化时保持可用的成功率与鲁棒性。

02 深度信息辅助的机器人操控性能提升

仿真实验结果

为了显式捕捉操控环境中的空间感知能力，并进一步提升机器人执行的鲁棒性，我们采用了一种基于查询向量（query）的深度蒸馏方法。具体而言，我们引入了与三视角操作图像相对应的可学习 queries，这些 queries 经 VLM 处理后，与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时，有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明，深度信息的融入提升了 LingBot-VLA 的操控性能。

03 后训练成本低、效率高、代码全开源，真正实用的 VLA 模型
得益于涵盖主流构型和详尽任务的大规模预训练，LingBot-VLA 具备强大的通用操控能力，并且能够将其高效迁移到多样的下游机器人任务中。实验表明，LingBot-VLA 在下游任务中能够使用更少的数据，达到超越 π0.5 的性能；并且性能优势会随着数据量的增加而持续扩大。目前，LingBot-VLA 已与星海图、松灵、乐聚等知名机器人厂商完成适配，验证了模型在不同构型机器人上的跨本体迁移能力。

与此同时，我们构建了一套高效的后训练工具链，在 8 卡 GPU 配置下实现了单卡每秒 261 个样本的吞吐量，其训练效率达到 StarVLA、OpenPI 等主流框架的 1.5~2.8 倍，实现了数据与算力成本的双重降低。此次开源，我们不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。我们希望这一举措可以大幅压缩模型训练周期，降低商业化落地的算力与时间门槛，助力开发者以更低成本快速适配自有场景，提升模型实用性。目前我们的模型、后训练代码、技术报告、以及我们和上海交大共同打造的 GM-100 Benchmark 已全部开源，欢迎大家访问我们的开源仓库。

具身智能的大规模应用依赖高效的具身大模型，这直接决定了模型是否可用以及能否用得起。我们希望通过 LingBot-VLA 的开源，积极探索具身智能上限，推进具身智能研发早日进入可复用、可验证、可规模化落地的新阶段。

本周，我们已相继开源 LingBot-Depth 和 LingBot-VLA 两款模型，未来几天，我们还将陆续为大家带来我们在具身智能领域智能基座方向的更多成果。我们期待与全球开发者、研究者、产业伙伴一起，加速具身智能技术的迭代与规模化应用，助力 AGI 更快到来。个weibo.com/ttarticle/p/show?id=2309405273633152434301 weibo.com/ttarticle/p/show?id=2309405273633454161929 weibo.com/ttarticle/p/show?id=2309405273633747763288 weibo.com/ttarticle/p/show?id=2309405273634053947590 weibo.com/ttarticle/p/show?id=2309405273634473377884 weibo.com/ttarticle/p/show?id=2309405273634779562006 weibo.com/ttarticle/p/show?id=2309405273635098591239 weibo.com/ttarticle/p/show?id=2309405273635396386930 weibo.com/ttarticle/p/show?id=2309405273635698114738

具身智能正在经历从实验室走向产业化的关键转折点。长期以来,机器人操控模型面临着"一机一训"的困境——每换一个机器人本体、每增加一个新任务,都需要重新采集数据、重新训练模型,这种高昂的迁移成本严重制约了具身智能的规模化落地。

此次蚂蚁集团开源的 LingBot-VLA 具身大模型,为行业带来了三个重要突破:

首次验证了具身智能领域的 Scaling Law
通过 20,000 小时真实机器人数据的预训练,系统性证明了 VLA 模型性能随数据规模持续提升的规律。这一发现意义重大——它表明具身智能可以像大语言模型一样,通过"大数据+大模型"的范式实现能力跃迁,为行业指明了清晰的技术路线。
解决了跨本体泛化的核心难题
通过涵盖 9 种主流双臂机器人构型的大规模预训练,LingBot-VLA 实现了"一个大脑,多种身体"的愿景。在 GM-100 真机评测中,其跨本体泛化成功率达到 17.3%,这意味着同一个模型可以快速适配不同厂商的机器人硬件,大幅降低了商业化部署的门槛。
打造了真正实用的开源生态
不同于许多"只开源权重"的项目,LingBot-VLA 同步开放了数据处理、高效微调、自动化评估的全套工具链,训练效率达到主流框架的 1.5~2.8 倍。这种"开箱即用"的完整方案,将帮助开发者以更低成本快速落地自己的具身智能应用。
特别值得关注的是,LingBot-VLA 引入深度信息后的性能提升,体现了空间感知能力对机器人操控的重要性。结合昨日开源的 LingBot-Depth 模型,我们看到了一个清晰的技术演进路径:从精准的空间感知到智能的操控决策,具身智能正在构建起完整的"感知-认知-执行"闭环。

随着蚂蚁集团承诺未来几天将陆续开源更多具身智能成果,我们有理由相信,2026 年将成为具身智能从"能用"到"好用"、从"实验室"到"生产线"的关键转折年。

SegmentFault 思否编辑部
2026年1月

以下内容转载自蚂蚁灵波科技官方公众号。

继昨日开源高精度空间感知模型 LingBot-Depth 后，今天，我们为大家带来了具身大模型 LingBot-VLA。

LingBot-VLA 具身大模型全面开源

在上海交通大学开源的具身评测基准 GM-100（包含 100 项真实操作任务）测试中，LingBot-VLA 在 3 个不同的真实机器人平台上，跨本体泛化平均成功率相较于 Pi0.5 的 13.0% 提升至 15.7%（w/o Depth）。引入深度信息（w/ Depth）后，空间感知能力增强，平均成功率进一步攀升至 17.3%，展现了 LingBot-VLA 强大的准确性和泛化性。

在 GM-100 真机评测中，LingBot-VLA 跨本体泛化性能领先

在 RoboTwin 2.0 仿真基准（包含50项任务）评测中，面对高强度的环境随机化干扰（如光照、杂物、高度扰动），LingBot-VLA 凭借独特的可学习查询对齐机制，高度融合深度信息，操作成功率比 Pi0.5 提升了 9.92%，实现了从虚拟仿真到真实落地的全方位性能领跑。

在 RoboTwin 2.0 仿真评测中，LingBot-VLA 跨任务泛化性能领先

01 Scaling Law 下的大规模真机数据预训练
长期以来，由于本体差异、任务差异、环境差异等，具身智能模型落地面临严重的泛化性挑战。开发者往往需要针对不同硬件和不同任务重复采集大量数据进行后训练，直接抬高了落地成本，也使行业难以形成可规模化复制的交付路径。
图片
针对上述问题，我们基于在海量真实世界数据上的预训练，第一次系统研究了 VLA 模型在真实机器人任务性能上随着数据规模增长时的 Scaling Law。项目发现随着预训练数据规模从 3,000 小时扩展到 6,000、13,000、18,000，最终至 20,000 小时，模型在下游任务的成功率获得持续且显著的提升。值得注意的是，预训练数据量达到 20,000 小时时，模型性能仍呈现上升趋势，表明 VLA 的性能仍然能够随着数据量的增加而提升。这些实验结果证明了 VLA 模型在用真实数据预训练时呈现了良好的可扩展性，为未来的 VLA 开发和大规模数据挖掘提供了重要启示。
图片
依此研究结果，我们仔细构造了 20,000 小时的真实机器人训练数据，涵盖了 9 种主流的双臂机器人构型（包括 AgileX Cobot Magic，Galaxea R1Pro、R1Lite 、AgiBot G1等）。为了进行精确的数据标注，数据里的视频由人工标注者按原子动作进行切分，并用大模型标注视频对应任务和子任务。在 codebase 的开发中，适配了 Fully Sharded Data Parallel (FSDP) 分布式、混合精度、算子融合等优化，从而让同一个“大脑”可以快速迁移至不同形态的机器人上，并在任务变化、环境变化时保持可用的成功率与鲁棒性。

02 深度信息辅助的机器人操控性能提升

仿真实验结果

为了显式捕捉操控环境中的空间感知能力，并进一步提升机器人执行的鲁棒性，我们采用了一种基于查询向量（query）的深度蒸馏方法。具体而言，我们引入了与三视角操作图像相对应的可学习 queries，这些 queries 经 VLM 处理后，与 LingBot-Depth 输出的 depth embeddings 进行对齐。这种对齐机制在维持模型训练与推理的效率的同时，有效将深度信息集成到 LingBot-VLA 中。在真实机器人平台和仿真环境下进行的广泛实验证明，深度信息的融入提升了 LingBot-VLA 的操控性能。

03 后训练成本低、效率高、代码全开源，真正实用的 VLA 模型
得益于涵盖主流构型和详尽任务的大规模预训练，LingBot-VLA 具备强大的通用操控能力，并且能够将其高效迁移到多样的下游机器人任务中。实验表明，LingBot-VLA 在下游任务中能够使用更少的数据，达到超越 π0.5 的性能；并且性能优势会随着数据量的增加而持续扩大。目前，LingBot-VLA 已与星海图、松灵、乐聚等知名机器人厂商完成适配，验证了模型在不同构型机器人上的跨本体迁移能力。

与此同时，我们构建了一套高效的后训练工具链，在 8 卡 GPU 配置下实现了单卡每秒 261 个样本的吞吐量，其训练效率达到 StarVLA、OpenPI 等主流框架的 1.5~2.8 倍，实现了数据与算力成本的双重降低。此次开源，我们不仅提供了模型权重，还同步开放了包含数据处理、高效微调及自动化评估在内的全套代码库。我们希望这一举措可以大幅压缩模型训练周期，降低商业化落地的算力与时间门槛，助力开发者以更低成本快速适配自有场景，提升模型实用性。目前我们的模型、后训练代码、技术报告、以及我们和上海交大共同打造的 GM-100 Benchmark 已全部开源，欢迎大家访问我们的开源仓库。

具身智能的大规模应用依赖高效的具身大模型，这直接决定了模型是否可用以及能否用得起。我们希望通过 LingBot-VLA 的开源，积极探索具身智能上限，推进具身智能研发早日进入可复用、可验证、可规模化落地的新阶段。

本周，我们已相继开源 LingBot-Depth 和 LingBot-VLA 两款模型，未来几天，我们还将陆续为大家带来我们在具身智能领域智能基座方向的更多成果。我们期待与全球开发者、研究者、产业伙伴一起，加速具身智能技术的迭代与规模化应用，助力 AGI 更快到来。weibo.com/ttarticle/p/show?id=2309405273627498512412 weibo.com/ttarticle/p/show?id=2309405273627796046169 weibo.com/ttarticle/p/show?id=2309405273628207087949 weibo.com/ttarticle/p/show?id=2309405273628500951208 weibo.com/ttarticle/p/show?id=2309405273628798746673 weibo.com/ttarticle/p/show?id=2309405273629104668725 weibo.com/ttarticle/p/show?id=2309405273629402464354 weibo.com/ttarticle/p/show?id=2309405273629696327828 weibo.com/ttarticle/p/show?id=2309405273630027677703 个

“市值几千亿美元的公司，竟然直接来蹭我的代码，真不要脸。”

当这句充满鄙夷的控诉在社交媒体 X 上炸开时，被钉在耻辱柱上的，是美团旗下那个曾经光环耀眼的“光年之外”团队。他们刚刚高调公测了主打“智能代理”和“人机并行”的 Tabbit AI 浏览器，转身就被前字节跳动高级工程师、独立开发者 @梦溪睡了吗 抓了个现行：界面布局一模一样，连图标文件名“read-frog”都懒得改。

如果你以为这只是一起普通的互联网“抄袭”口水战，那你就大错特错了。

在这场仅仅发酵了 24 小时便以美团官方道歉、下架代码并承诺开源为结局的戏剧性冲突背后，撕开的是整个 AI 行业最难堪的遮羞布：在无休止的进度焦虑下，曾经极其鄙视“拿来主义”的大厂研发体系，已经彻底退化成了肆无忌惮扒代码的“草台班子”。而那些曾经被视为待宰羔羊的个人开发者，正手握开源协议这把重机枪，对巨头进行残酷的降维打击。

一、 传统研发堡垒的崩塌：当大厂沦为“高级组装车间”

在过去，大厂推出一款战略级浏览器产品，标准的流程是神圣不可侵犯的：上百人的团队，历经数月的需求调研、底层架构重写、UI 精心打磨，最后带着骄傲的自研代码发布。

但在 AI 狂飙的今天，一切都被“速度”绑架了。为了给 Tabbit 浏览器快速加上 AI 翻译和阅读解析功能，美团的开发人员选择了一条最“聪明”的捷径：直接去 GitHub 上把拥有 3.9k Stars 的开源项目“陪读蛙（read-frog）” Fork 下来。

甚至连掩饰的功夫都省了，变量名、UI 布局和图片素材都原封不动地塞进了自家的商业产品里，成为了被开发者直接“公开处刑”的铁证。

这根本不是个例，这是当前 AI 赛道的潜规则。为了在发布会上多凑几个“Agent”亮点，无数大厂工程师放弃了造轮子，变成了熟练的“代码搬运工”。

【笔者观点：别把“剽窃”包装成敏捷开发】
AI 工具确实让代码生成的成本无限趋近于零，但这不仅没有让巨头变得更从容，反而让他们陷入了极其丑陋的“功能饥渴症”。
过去的大厂是用资金和算力形成技术壁垒；现在的大厂，却像饿狼一样在开源社区里抢夺个人开发者的现成组件。当“抄得快”成为唯一的 KPI，企业的核心研发能力就已经在实质性死亡。未来，只会拼装别人代码的工程师，第一个就会被 AI 淘汰。

二、 开源协议的“核威慑”：你想白嫖，它要你“裸奔”

这场冲突中最精彩的博弈，在于美团公关团队试图玩弄时间差，却被开发者无情拆穿。

Tabbit 官方最初辩解称，他们在 2025 年 12 月拉取代码时，该项目还没有声明开源协议，是作者后来才加上的 GPLv3 协议。但这位硬核的独立开发者根本不吃这套，直接甩出证据链，吓得 Tabbit 团队立刻认怂，不仅移除了代码，还乖乖把相关项目完整开源，并低头寻求正式授权。

为什么美团这么怕？因为 GPL（GNU 通用公共许可协议）不是闹着玩的。它最大的特点是“传染性”——只要你使用了带有 GPL 协议的代码，你的整个衍生商业软件就必须被迫开源。

【笔者观点：不要和“开源传染病”玩文字游戏】
很多传统互联网人还保留着上个时代的流氓逻辑：只要是在网上能搜到的代码，就是免费的自助餐。
但在极客主导的 AI 前沿阵地，开源协议就是写在代码里的“法律炸弹”。你以为白嫖了几行代码省了三天工作量，实际上你可能把公司整个核心商业机密都暴露在了必须强制开源的绝境中。在 AI 时代，不懂开源合规的“拿来主义”，无异于在火药桶上抽烟。

三、 权力格局的倒转：超级个体成为巨头的“反向收割机”

这场风波最让人心潮澎湃的，是一个单枪匹马的独立开发者，凭借一己之力，逼着数千亿市值的科技巨头在 24 小时内低头认错。

在 Web2 时代，大厂通过流量垄断形成了绝对的权力高地，个人开发者只能在夹缝中生存。但在 AI 时代，借助于 Cursor 这样的编程神器和底层大模型，一个极其优秀的开发者（比如这位前字节高级工程师）完全可以独立构建出体验秒杀大厂团队的完整产品。

当巨头因为内部流程僵化、无法快速产出创新应用时，他们只能向外寻找。这时候，优秀的独立开发者不再是弱势群体，而是掌握着核心功能模块的“上游供应商”。

【笔者观点：不要去迎合大厂，要去“控制”大厂】
这是一个属于超级个体的黄金时代。你不需要去大厂里卷 996、写无聊的周报，你应该利用 AI 成为一个高产的创造者。
当你写出足够好的开源组件时，大厂的业务线必然会像吸血鬼一样扑过来。这时候，用好开源协议（如 GPL 等），你就能从被剥削的底层码农，摇身一变成为让巨头都必须忌惮三分的规则制定者。

四、 职场大洗牌：AI 时代，哪三种人最抢手？

当大厂的研发流程被开源组件和 AI 打得七零八落，未来究竟需要什么样的核心人才？这场维权风波给出了三个极其精准的画像：

1. 懂开源契约的合规架构师（Open-Source Architect）：他们不一定是写代码最快的，但他们必须像排雷兵一样，精准识别 GitHub 上无数开源模块（MIT、Apache、GPL）的法律边界。他们能指导团队安全地利用开源红利，避免让公司在商业化前夕因为一行代码被告到破产。
2. 满编战斗力的超级个体（Solo Full-stack Creator）：就像事件中的开发者一样，兼具大厂的工程素养和个体的野蛮生长力。他们熟练使用各种 AI 工具，一个人就是一支包括产品、前端、后端和运营在内的完整军队。
3. 克制型的产品经理（Restrained PM）：在满大街都在喊“全都要、赶紧抄”的焦虑氛围里，这类 PM 极其稀缺。他们懂得克制功能的堆砌，明白哪些核心能力必须自研护城河，哪些外围能力可以通过合法的商业授权引入，而不是逼着程序员去干偷鸡摸狗的勾当。

👇 欢迎关注我的公众号

在 AI 爆发的深水区，我们一起探索真正能穿越周期的技术价值。
微信搜索 【睿见新世界】 或扫描下方二维码，获取每周硬核技术推文：

欢迎关注【睿见新世界】

当开发者们还在为自己用大模型手搓出一个“能自动写代码、查数据库”的 AI Agent（智能体）而狂欢时，他们根本没有意识到，自己亲手在公司的服务器上埋下了无数颗核爆级的定时炸弹。

“你以为你部署的是一个智能助手，实际上你是在互联网的大街上，扔了一个带着你家保险箱钥匙、且没有任何约束的数字克隆人。”

就在近日，一个名为“OpenClaw Exposure Watchboard”的公开监控页面，毫不留情地撕开了 AI 狂飙时代最丑陋的一块遮羞布：全球超过 22 万个 OpenClaw（一种主流的智能体运行环境）部署实例，正毫无防护地暴露在公网上。没有身份验证，API Key 明文可见，直接覆盖了中美新等核心技术重镇的云端基础设施。

如果你还以为安全漏洞只是“被人偷看了一点数据”，那么这场发生在我们眼皮底下的 Agent “裸奔”狂潮，绝对会彻底颠覆你对 AI 时代系统崩溃的认知。

一、 传统安全边界的崩塌：当“执行者”直接暴露在荒野

在 Web2 时代，标准的安全常识是坚不可摧的：哪怕你的前端页面有漏洞，黑客要拿到核心数据，还得跨越防火墙、绕过网关、破解数据库权限，这是一场漫长的攻防拉锯战。

但 OpenClaw 监控页面的数据，揭示了一个令人毛骨悚然的现状。在这 22 万个暴露的实例中（主要集中在 18789 端口），大量实例的“Auth Required”字段为空。更可怕的是，“Has Leaked Creds”一栏整片整片的飘红（Leaked），这意味着无数的 API Key 和明文凭证正挂在公网上任人采撷。

而从 ASN 数据来看，这些实例赫然运行在腾讯、阿里、甲骨文、AWS 等大厂的云基础设施中——这根本不是个人爱好者的玩具，这是切切实实的企业生产环境！

“写完代码，跑通测试，一键部署上云，连个最基础的 Auth 都不加。”这种极其草莽的做法，正在将企业推向深渊。

【笔者观点：从“信息泄露”到“物理级失控”】
传统 Web 服务被黑，最坏的结果通常是“数据被拖库”。但在 AI 时代，Agent 不是被动的数据接口，而是具备“主观能动性”的执行者！
OpenClaw 这类智能体，天生拥有调用外部工具、访问数据库、甚至执行底层代码的最高权限。把一个不加锁的 Agent 扔在公网，等于给全世界的黑客递上了一把已经上膛的枪，外加你公司所有核心业务的最高执行权。这不是信息安全问题，这是系统控制权的物理级丧失。

二、 极速上线的代价：被遗忘在公网的“上帝权限”

为什么会出现如此规模的集体“裸奔”？原因很简单：在 AI 时代，开发速度彻底碾压了工程规范。

在过去两年里，“一日一部署”、“Hackathon（黑客松）式开发”成为了技术圈的政治正确。很多开发者在本地电脑上调通了 Prompt，眼看着 Agent 成功调用了内部的 CRM 系统或者清除了某个测试库，兴奋之余，为了抢占先机或快速给老板汇报，直接将本地环境原封不动地推向了公网。

“只要能跑通就行，安全防护以后再加。”这种在过去最多导致 UI 崩溃的“敏捷哲学”，在 Agent 时代变成了致命的毒药。很多开发者根本没有意识到，Agent 的本质是一个“微型超级管理员”。

【笔者观点：敏捷开发的“致命反噬”】
很多团队还在用上个时代的“野生外包”思维做 AI 产品，总觉得抢占市场是最重要的。
但真实情况是，Agent 的部署量已经呈现爆炸式增长，而配套的安全治理能力却还在穿开裆裤。这种野蛮生长的背后，是对技术的极度无知。在 AI 时代，没有鉴权机制的“极速上线”，不叫敏捷开发，叫“企业级自杀”。

三、 重新定义“守门人”：从“堵漏洞”到“设计行为边界”

面对 22 万个裸奔的 OpenClaw，传统的网络安全工程师其实是极其无力的。因为防火墙防不住合法的 API 调用，杀毒软件也无法判断一个 Agent 为什么要疯狂读取客户名单。

Agent 的非确定性（它会自己做决策）彻底打破了传统的防御体系。安全不再是“阻止未经授权的访问”，而是要深入到 Agent 的逻辑内部。你需要界定：这个 Agent 有没有权利在这个时间点、使用这个 Token、执行这段 Python 代码？

【笔者观点：不要修补城墙，要去“驯化野兽”】
这个惨痛的教训告诉我们：面对 AI，传统的“筑墙防守”思维已经失效。
优秀的 AI 开发者和安全专家，最高阶的能力将是作为“数字野兽的驯化师”。你不能只想着给服务器套个壳子，你必须在代码层面，给 Agent 带上“电子项圈”——实施极其严格的最小权限原则（PoLP）、细粒度的工具调用审批流，以及对大模型幻觉操作的硬性熔断机制。

四、 职场大洗牌：Agent 时代，哪三种人最抢手？

当满大街都是“会写 Prompt”和“会调 API”的初级开发者时，这场 22 万实例的公网灾难，恰恰为未来的技术人才指明了最值钱的方向：

1. “原生安全视角”的 Agent 架构师（Zero-Trust AI Architect）：他们不迷信大模型的能力，而是带着“零信任”的偏执狂视角去设计每一个 Agent。他们懂得如何在不牺牲智能体自主性的前提下，把身份验证、权限隔离（沙箱化）原生嵌入到 Agent 的执行流中。
2. 懂业务的 AI 运维专家（AgentOps Engineer）：传统运维管的是 CPU 和内存，他们管的是 Agent 的“行为轨迹”。他们精通如何监控 Agent 的工具调用频率、Token 消耗异常以及潜在的越权行为，能在 Agent 发疯前拔掉网线。
3. “带刹车”的全栈开发者（Braking-First Fullstack）：在人人都只顾着踩油门造新玩具的时代，这类开发者最受大厂青睐。他们不屑于做糙快猛的 Demo，而是拿到开源框架（如 OpenClaw）的第一时间，先重写它的鉴权模块和通信加密，然后才去接大模型。

【总结陈词：放弃技术狂热，捡起敬畏之心】
这场 22 万 Agent 的“裸奔”事件，是一记极其响亮的警钟。
盲目追求“All in AI”的狂热，正在让我们丧失对工程底线的敬畏。未来，无论你是研发、安全还是架构师，唯有放弃对“跑通就行”的草台班子执念，像对待真正的核心资产一样去约束和审查每一行 Agent 代码，你才能在这场技术狂潮中，不至于成为那个亲手摧毁自家公司的“内鬼”。

👇 欢迎关注我的公众号

在 AI 爆发的深水区，我们一起探索真正能穿越周期的技术价值。
微信搜索 【睿见新世界】 或扫描下方二维码，获取每周硬核技术推文：

欢迎关注【睿见新世界】

无人机战场侦察 6 类军事目标检测数据集（10,000张图片已划分、已标注）| AI训练适用于目标检测任务

在战场情报搜集、前沿侦察预警及作战部署调整等对 BRT（战场侦察队）识别精度、隐蔽区域探测能力及复杂战场景适配性起关键作用的领域，基于无人机平台的 BRT 目标检测系统，依托无人机载高分辨率光电成像设备、红外热成像模块及战场地理信息定位技术，实现对 BRT 这一核心军事目标的精准检测，直接关系到作战指挥部门对偏远战区 BRT 活动的全面排查（如山地丛林区域 BRT 隐蔽侦察轨迹监测、荒漠戈壁地带 BRT 渗透路线监管）、战场前沿 BRT 部署苗头的早期发现及 BRT 情报传输节点扩散趋势的有效遏制；BRT 作为判断敌方侦察规模、作战预警重点区域及战场态势管控成效的核心依据，其精准识别检测是开展作战侦察方案制定、军事资源精准调度、敌方 BRT 行动打击及战场态势综合管控的基础，对特定场景下（如丘陵坡地隐蔽 BRT 潜伏识别、城市废墟间 BRT 机动追踪、夜间战场 BRT 秘密侦察监管）BRT 的准确捕捉，还能为作战指挥部门提供敌方 BRT 活动高发区域、战术侦察规律等关键信息，辅助评估战场作战压力与态势管控优化需求。

classes

nc: 6
names: ['BRT', 'DOM', 'DST', 'GHM', 'HMN', 'LBT']

数据集划分详情

总张数：9978
训练集：6994
验证集：1984
测试集：1000

数据集下载

链接:https://pan.baidu.com/s/15YNOUSavpmB3Q7tU1XdCpQ?pwd=p4xq
提取码:p4xq 复制这段内容后打开百度网盘手机App，操作更方便哦

数据集介绍

数据集概述

本数据集为无人机战场侦察目标检测数据集，主要用于军事侦察领域中的多目标检测研究。数据集共包含 9978 张高质量无人机航拍图像，并已完成完整标注与标准训练集划分，适用于各类深度学习目标检测算法训练与评估。

数据集覆盖多种复杂战场环境，包括：

• 山地丘陵区域
• 丛林隐蔽地带
• 城市废墟环境
• 荒漠戈壁区域
• 夜间或低光环境

所有图像均采用目标检测标准标注格式（YOLO 格式）进行标注，每个目标均配备精确的 bounding box 坐标与类别标签，可直接用于 YOLO、Faster R-CNN、SSD、RetinaNet 等主流检测模型训练。

数据集包含 6 类关键军事目标，能够支持多类别目标检测任务的研究与工程应用。

背景

随着现代战争形态向信息化、智能化、无人化方向不断发展，无人机平台在军事侦察、情报搜集和战场监控中的作用愈发重要。相比传统地面侦察方式，无人机具备 机动性强、覆盖范围广、隐蔽性高、实时传输能力强 等优势，使其成为现代战场侦察体系中的重要组成部分。

然而，在复杂战场环境下，仅依靠人工观察无人机回传画面效率较低，并且容易受到环境因素影响，例如：

• 地形复杂（山地、丛林、城市废墟）
• 目标尺寸较小
• 目标隐蔽性高
• 多目标密集分布
• 光照条件复杂

因此，利用深度学习目标检测技术对无人机侦察图像进行自动识别，成为提升战场态势感知能力的重要技术手段。

通过构建高质量的无人机战场目标检测数据集，可以：

• 训练高精度军事目标检测模型
• 提高复杂战场环境下的自动识别能力
• 支持实时无人机侦察分析系统
• 提升战场情报获取效率

本数据集正是在这一背景下构建，为研究人员和工程开发者提供高质量的数据支持。

数据集详情

本数据集共包含 9978 张无人机航拍图像，所有图像均完成精确标注，并按照标准机器学习训练流程进行划分。

1 数据结构

数据集结构示例：

dataset/
 ├── images
 │   ├── train
 │   ├── val
 │   └── test
 │
 ├── labels
 │   ├── train
 │   ├── val
 │   └── test
 │
 └── data.yaml

其中：

• images/：存放原始图像
• labels/：存放 YOLO 格式标注文件
• data.yaml：数据集配置文件

2 标注格式

数据集采用 YOLO 标注格式：

class x_center y_center width height

示例：

0 0.523 0.412 0.085 0.124
2 0.314 0.621 0.067 0.098

字段说明：

3 类别说明

数据集共包含 6 个目标类别：

这些目标涵盖了战场侦察过程中常见的关键目标类型，能够支持复杂场景中的多类别目标检测研究。

4 数据特点

本数据集具有以下特点：

1 场景复杂

包含多种真实或模拟战场环境：

• 山地
• 丛林
• 城市废墟
• 沙漠
• 夜间环境

2 小目标丰富

无人机航拍图像中大量目标具有 小目标特性，适合用于研究：

• 小目标检测
• 多尺度检测
• 密集目标检测

3 目标遮挡

数据中存在：

• 遮挡目标
• 部分可见目标
• 复杂背景干扰

这有助于训练更鲁棒的检测模型。

适用场景

该数据集适用于以下研究方向：

1 无人机目标检测研究

用于训练和测试无人机视觉系统中的目标检测模型，例如：

• YOLO 系列（YOLOv5 / YOLOv8 / YOLOv10 等）
• Faster R-CNN
• RetinaNet
• SSD

2 小目标检测研究

由于无人机航拍目标尺寸较小，该数据集非常适合研究：

• 小目标检测算法
• 多尺度特征融合
• 特征金字塔网络（FPN、BiFPN）

3 战场态势感知系统

可用于构建：

• 智能侦察系统
• 战场态势分析平台
• 军事监控系统

通过目标检测模型，实现对战场关键目标的自动识别与统计分析。

4 计算机视觉算法研究

适用于研究：

• 目标检测
• 多目标识别
• 场景理解
• 无人机视觉感知

心得

在构建和整理该数据集的过程中，可以深刻体会到高质量数据对于深度学习模型的重要性。一个优秀的目标检测模型不仅依赖于先进的网络结构，更依赖于数据质量、标注精度以及场景多样性。

从数据整理、图像筛选到目标标注，每一步都直接影响最终模型的性能表现。例如：

• 标注框是否准确
• 类别是否清晰
• 场景是否多样

这些因素都会影响模型的泛化能力。

此外，在无人机目标检测任务中，小目标问题尤为突出，因此在模型设计时，可以结合以下技术提升检测效果：

• 注意力机制（Attention）
• 特征金字塔结构（FPN / BiFPN）
• 小目标增强策略
• 数据增强（Mosaic、MixUp）

通过数据质量 + 算法优化的结合，往往可以获得更好的检测效果。

结语

随着人工智能和计算机视觉技术的快速发展，无人机目标检测在军事侦察、安防监控、灾害救援等领域具有广阔的应用前景。高质量的数据集是推动相关技术发展的重要基础。

本 无人机战场侦察 6 类军事目标检测数据集通过对近万张无人机航拍图像进行精细标注，为目标检测研究和工程应用提供了可靠的数据支持。研究人员可以基于该数据集训练和优化各类检测模型，探索更高效、更精准的无人机视觉识别算法。

未来，随着数据规模的不断扩大和模型算法的持续优化，无人机智能侦察系统将在复杂环境下展现出更强大的目标识别能力，为智能化视觉系统的发展提供更多可能。