Qwen2.5-VL#

Qwen2.5-VL 是阿里通义发布的开放权重多模态模型。相比早期 Qwen-VL，它改进了动态分辨率、视频时间建模、视觉定位和文档解析；这些能力使其适合作为具身系统的候选视觉—语言底座，但实际效果仍需在目标机器人数据上验证。技术报告

• 原生动态分辨率（native dynamic resolution）：按图像尺寸与长宽比生成可变数量的视觉 token，减少固定尺寸缩放造成的信息损失；效果仍受最大 token 预算和预处理限制。
• 绝对时间编码的视频理解：把时间信息显式编码进位置，能处理长视频并定位到具体时刻（事件发生在第几秒），这对机器人”看视频学动作”很关键。
• 强 grounding 与文档解析：精确的框/点定位、表格与文档结构解析，天然适合把”语言指令”接地到”画面里的物体”。
• Agent 能力：能作为视觉 agent 操作界面、调用工具。

一句话：Qwen2.5-VL 把”看懂图 + 定位物体 + 读懂文档 + 理解长视频”打包成一个可直接微调的底座。

Qwen3-VL#

Qwen3-VL 在 Qwen2.5-VL 之后增加 interleaved-MRoPE、DeepStack 多层视觉特征注入和文本时间戳对齐，并提供 dense 与 MoE 两类模型。官方报告覆盖长上下文、长视频、视觉推理与 GUI agent 等评测；这些结果说明它具备更强的多模态骨干能力，但不能直接等同于机器人闭环控制能力。技术报告

从 Qwen2.5-VL 到 Qwen3-VL，趋势很清楚：VLM 不再只是”图像问答器”，而是越来越像一个能感知、能定位、能操作的通用多模态智能体骨干。

Qwen3-VL-MoE#

Qwen3-VL 同时提供 dense 与 MoE 变体。MoE 将部分 FFN 层拆成多个专家，并让每个 token 只激活其中少数专家，因此总参数量可以大于单次前向的激活参数量；实际延迟和显存还受到路由、通信、batch size 与部署框架影响。

不同专家可能形成一定的路由专门化，但是否按模态或任务分工需要专门的路由分析才能判断。MoE 的主要工程动机是提高参数容量与单次激活计算量之间的比值，而不是保证推理成本不增加。

π₀（pi-zero）#

Physical Intelligence 的 VLA 模型之一。它在一个 VLM（PaliGemma，约 3B）之上接入从零训练的“动作专家”模块，用 flow matching（流匹配，一类学习连续概率路径向量场的生成方法）来生成连续动作块。扩散路径可以写成 flow matching 的一种概率路径，但两者不宜直接当作同义词：

• 动作专家 + flow matching：在噪声与真实动作块之间构造条件概率路径，网络回归对应向量场；推理时通过数值积分生成动作块。论文中的机器人控制数据以最高 50 Hz 记录/执行，但控制频率、动作块长度与积分步数是不同概念，不能互相推导。π0 论文
• 跨本体：用超过 1 万小时、7 种机器人配置（单臂/双臂/移动）的真机数据预训练，一个模型横跨多种本体。
• VLM 预训练的价值：完整架构相对”无 VLM”变体约有 >2× 的增益，印证了互联网级语义先验对动作学习的帮助。

π₀ 之后的相关工作分别改进训练效率、跨环境泛化、推理延迟和经验学习。π₀.₅ 主要关注未见环境中的任务泛化。

π₀.₅（pi-0.5）#

π₀ 虽灵巧，但主要在与训练分布相近的受控环境里管用。π₀.₅ 主攻开放世界泛化——目标是走进训练里从没见过的真实家庭里干多分钟长活。它的关键配方有两点：

• 异构数据 co-training：把图像、语言指令、物体检测、高层语义子任务、低层动作，连同多机器人示范 + web 数据一起联合训练，让知识跨抽象层级迁移（消融显示 web 数据对处理新物体很关键）。
• 分层推理（机器人版 CoT）：推理时先用自然语言预测一个高层语义子任务（如”拿起枕头”），再据此产出低层电机动作；高层用离散自回归 token、低层用 flow matching。

π₀.₅ 在论文评测中把 π₀ 扩展到未见过的家庭环境和较长任务，并显式采用“先预测高层子任务、再生成低层动作”的分层推理。它仍是研究系统；这些实验不等同于面向普通家庭的产品可用性。π0.5 论文

LingBot-VLA#

LingBot-VLA 是蚂蚁 Robbyant（灵波科技）具身基础大模型矩阵里的 VLA（视觉-语言-动作） 成员。和 π 系一样，它属于”VLM 感知底座 + 动作生成”的范式：用强多模态编码器理解场景与语言指令，再产出可执行的机器人动作，目标是跨任务、跨场景的通用操作。作为 Robbyant “感知（LingBot-Vision/Depth）→ 行动（LingBot-VLA）→ 世界（LingBot-World/VA）“整套矩阵的一环，它承担的是”把理解直接变成动作”的角色。

说明：LingBot-VLA 的具体指标以 Robbyant 官方页面 为准；本文只做范式定位，不逐字引用未核实的数值。

LingBot-VLA 2.0#

LingBot-VLA 2.0 是该系列的后续版本。官方页面 展示了统一多本体动作空间、Understanding Expert、含 MoE 层的 Action Expert，以及面向当前/未来视觉表征的 Dual-Query 蒸馏。本文只记录这些已公开设计；具体泛化范围、控制频率和成功率应以可复核的报告与评测表为准。

DreamZero#

NVIDIA 的工作，把 WAM 直接当成 zero-shot 策略。它在预训练视频扩散骨干上建了一个 14B 的自回归世界动作模型，通过同时预测未来世界状态（视频）+ 动作来学物理动力学：

• 视频当稠密监督：当前 VLA 擅长语义泛化，却难泛化到新环境里没见过的物理运动；DreamZero 用视频把”世界怎么演化”学进模型。
• 仅视频/人类示范的跨本体迁移：论文研究了使用其他机器人或人类的仅视频示范进行适配，并在指定任务中减少目标本体所需的动作标注；能否降低整体数据成本仍取决于视频收集、域差异和目标机器人校准。
• 特定系统中的闭环速度：作者报告通过模型与系统协同优化，使 14B 模型在其硬件和推理配置下达到约 7 Hz。这是该系统的测量结果，不足以单独证明大 WAM 在不同机器人与硬件上都可部署。DreamZero 论文

DreamZero 将预训练视频骨干用作 zero-shot 策略，并在论文设定中研究仅视频示范与跨本体迁移。结果支持视频监督有助于物理泛化这一假设，但不能据此断言视频世界模型是 zero-shot 泛化的唯一来源。

LingBot-VA / LingBot-VA 2.0#

LingBot-VA 是 Robbyant 的视频动作（Video-Action）世界模型，走的是 WAM 里的”闭环鲁棒”支线。它的第一代（Causal World Modeling for Robot Control）用自回归扩散把”视频世界模型”和”动作策略”统一：

• 双流 Mixture-of-Transformers：视频流（初始化自 Wan2.2-5B）与动作流并行，各自 QKV，再跨模态注意力融合，避免模态互扰。
• 视频-动作交错 + 因果自回归：把视频帧与动作交错成一个序列，用因果掩码做统一的 next-token 预测——因果性保证未来不影响过去，符合物理直觉。
• 逆动力学出动作：世界模型先”想象”出期望的未来画面，逆动力学再反推”什么动作能得到这个画面”。
• 实时异步推理 + FDM grounding：用 KV cache 加速、异步流水线让”想象”与”电机执行”并行，并用前向动力学模型（FDM）以最新真实反馈重新对齐，避免开环漂移。

这套设计主要处理 chunk 式视频—动作生成中的三个问题：reactivity（反馈时效）、长时历史信息利用和物理因果一致性。

LingBot-VA 2.0 的公开材料见官方页面。在缺少可逐项核对的技术报告和统一评测表时，本文不对“更强、更长或更快”作定量判断，只将它记录为 LingBot-VA 路线的后续版本。