# 蚂蚁灵波在 RSS 2026 提出首个自回归因果世界模型，用 50 条演示数据就能让机器人学会通用操控

> 原标题：RSS 2026｜蚂蚁灵波提出首个自回归因果世界模型，50条数据解锁通用机器人操控

- 来源：机器之心 · 公众号
- 发布时间：2026-06-03T07:30:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/33785
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651036834&idx=2&sn=2ee913b69d3841ccae7b2fa64b0704d4

## 摘要

蚂蚁灵波和港科大搞了个叫 LingBot-VA 的模型，把“预测画面接下来怎么变”和“判断该做什么动作”合到一个自回归框架里。论文说，每个任务只用 50 条真实世界的演示数据微调，在 RoboTwin 2.0 的简单和困难设定下，成功率分别到了 92.0% 和 91.1%。不过原文因为微信环境异常没抓到，具体实验细节和泛化边界暂时看不到，这个成功率数字...

## 推荐理由

标题的“50条数据”是个强钩子，对数据成本敏感的从业者吸引力很大。文章把自回归因果世界模型的机制讲得比较清楚，就是让模型先预测画面变化再决定动作，不是黑箱。但全文只有一篇论文发布，没看到开源代码、实物测试视频或跟主流基线（比如扩散策略）的量化对比，验证强度不够。所以重要性给78，属于值得关注但别急着全信的研究发布。

## 锐评

这条新闻最吸引人的点是“50条数据就能训出一个能用的机器人操控模型”。LingBot-VA 把“预测画面变化”和“决定动作”合在一个自回归模型里，相当于让模型一边看视频猜接下来会发生什么，一边想自己该怎么动。论文在 RoboTwin 2.0 的简单和困难设定下分别拿到 92.0% 和 91.1% 的成功率，如果数据真实，说明小样本微调的效果确实不错。

但问题在于，原文因为微信环境异常没抓到，我们看不到实验的具体设置。比如这 50 条演示数据覆盖了多少场景变化、测试任务和训练任务的相似度有多高、失败案例长什么样，这些都不知道。机器人操控里，换一个桌面背景、光照角度或者物体摆放位置，成功率就可能大幅波动。没有这些信息，91% 这个数字的参考价值要打折扣。

另外，模型叫“自回归因果世界模型”，但正文没解释它怎么处理因果关系，是学了物理规律还是纯靠关联。如果只是拟合视频和动作的统计规律，那离真正的“世界模型”还有距离。建议等论文全文公开后，重点看它在没见过的环境里表现如何，以及那 50 条数据到底有多“通用”。