Segun MarkTechPost (AI/ML News), Ant Group’s Robbyant ha lanzado LingBot-VLA 2.0, un modelo de base para robots que integra visión, lenguaje y acción. Este avance busca superar el problema común de que los modelos de inteligencia artificial para robots funcionan bien en entornos controlados pero fracasan en situaciones reales. La versión actual mejora significativamente su predecesor en tres dimensiones clave: generalización de comportamientos, ampliación del espacio de acciones posibles y modelado de dinámicas predictivas.
El modelo lingbot-vla-v2-6b, de 6 mil millones de parámetros, se basa en un sistema de visión-lenguaje que transforma imágenes capturadas por cámaras y órdenes verbales en instrucciones de acción para robots. Su arquitectura utiliza como backbone el modelo Qwen3-VL-4B-Instruct, mientras que durante su entrenamiento, dos modelos supervisores —LingBot-Depth y DINO-Video— aplican una técnica de distilación para asegurar la calidad del aprendizaje. El tiempo de inferencia para una sola consulta es de aproximadamente 130 milisegundos en una GPU NVIDIA GeForce RTX 4090D, utilizando 10 pasos de desensamblaje. El componente de acción se estructura mediante un diseño de Mixture-of-Experts (MoE), lo que permite escalar eficientemente la capacidad del sistema.
El proceso de entrenamiento se alimenta de una base de datos de 60.000 horas, distribuidas entre 50.000 horas de trayectorias de robots y 10.000 horas de videos egocéntricos de humanos. Estos datos provienen de 20 configuraciones diferentes de robots, desde estructuras con un solo brazo hasta unidades humanoides completas. El conjunto original incluye cerca de 90.000 horas de operación robótica y 20.000 horas de videos personales. Para garantizar calidad, el equipo desarrollador aplica un filtro explícito y medible. Se evalúan parámetros como la aceleración, velocidad y jerga de tercer orden, y se eliminan episodios que presenten irregularidades o un 95% de señales estáticas. Este procedimiento permite mantener una base de datos limpia y representativa del comportamiento real de los robots en entornos dinámicos.
Para los usuarios del Perú, este desarrollo es un punto de referencia en la evolución de tecnologías autónomas. Aunque aún no se aplican en servicios cotidianos como transporte o atención, el avance de modelos que entienden lenguaje y visualizan el entorno puede influir en sectores clave como logística, salud y agricultura. Los robots que operan con mayor autonomía podrían reducir costos en operaciones repetitivas, mejorar la eficiencia en entornos rurales o permitir soluciones más accesibles para comunidades sin infraestructura avanzada. La transición de laboratorios a entornos reales sigue siendo el mayor desafío, pero este tipo de innovaciones pone las bases para que el futuro de la automatización sea más adaptable y cercano a las necesidades del día a día.