打冰球时，机器人不能等球到了眼前才挥拍。它得一边看轨迹，一边猜球接下来会到哪里。蚂蚁灵波发布的 LingBot-VA 2.0，就是为这种“预判后再行动”设计的 Video-Action 模型——把连续视频和机器人动作放进同一套系统学习，让机器人既预测场景变化，也生成下一步动作。
最值得注意的是它利用普通视频的方式。据量子位报道，团队训练了一个“隐动作”模块：只看相邻画面，就反推中间可能发生了什么动作。这样，没有动作标注的网络视频也能提供训练信号。模型同时采用因果预训练——只能根据过去预测未来，符合机器人无法提前看到真实结果的工作方式；执行时则边行动边预测，再用新画面纠偏。量子位称其在 RoboTwin 2.0 仿真基准上的双臂任务平均成功率为 93.6%。不过，现有材料没有披露它实际减少了多少昂贵的真机轨迹，这仍是判断这条路线价值的关键。