对标Genie 3，蚂蚁研开源世界模型LingBot-World，视频10分钟无损生成

1月29日，蚂蚁灵波科技继先前发布空间感知基座模型后，再次以开源世界模型LingBot-World刷新行业预期。该模型在视频质量、动态表现、长时一致性以及交互能力等核心指标上均与Google最新的Genie 3媲美，旨在为具身智能、自动驾驶及游戏开发等领域，提供一个高保真、高动态、可实时操控的“数字演训场”。

（图示：LingBot-World在适用场景、生成时长、动态程度、分辨率等方面均达到了业界顶尖水平）

针对视频生成中常见的“长时漂移”问题（即生成时间过长可能出现物体变形、细节坍陷、主体消失或场景结构破坏等现象），LingBot-World凭借多阶段训练以及并行化加速，实现了近10分钟的连续稳定无损生成，为长序列、多步骤的复杂任务训练提供了有力支撑。

在交互性能方面，LingBot-World可实现约16 FPS的生成吞吐，并将端到端交互延迟控制在1秒以内。用户可以通过键盘或鼠标实时操控角色与相机视角，画面随指令即时反馈。此外，用户还能通过文本指令触发环境变化与世界事件，例如调整天气、改变画面风格或生成特定事件，并在保持场景几何关系相对一致的前提下完成动态演变。

（图示：一致性压力测试：镜头最长移开60秒后返回，目标物体仍存在且结构一致）

（图示：高动态环境下，镜头长时间移开后返回，车辆形态外观仍保持一致）

（图示：镜头长时间移开后返回，房屋仍存在且结构一致）

模型具备强大的Zero-shot泛化能力，仅需输入一张真实照片（如城市街景）或游戏截图，即可生成可交互的视频流，无需针对单一场景进行额外训练或数据采集，从而降低了在不同场景中的部署与使用成本。

为解决世界模型训练中高质量交互数据匮乏的难题，LingBot-World采用了混合采集策略：一方面通过清洗大规模的网络视频以覆盖多样化的场景，另一方面结合游戏采集与虚幻引擎合成管线，从渲染层直接提取无UI干扰的纯净画面，并同步记录操作指令与相机位姿，为模型学习“动作如何改变环境”提供了精确对齐的训练信号。

具身智能的规模化落地面临一个核心挑战——复杂长程任务的真机训练数据极度稀缺。LingBot-World凭借长时序一致性（即记忆能力）、实时交互响应，以及对“动作-环境变化”因果关系的深刻理解，能够在数字世界中“想像”物理世界，为智能体的场景理解和长程任务执行提供了一个低成本、高保真的试错空间。同时，LingBot-World支持场景多样化生成（如光照、摆放位置变化等），也有助于提升具身智能算法在真实场景中的泛化能力。

随着“灵波”系列连续发布三款具身领域大模型，蚂蚁的AGI战略实现了从数字世界到物理感知的关键延伸。这标志着其“基础模型-通用应用-实体交互”的全栈路径已然清晰。蚂蚁正通过InclusionAI社区将模型全部开源，与行业共建，探索AGI的边界。一个旨在深度融合开源开放并服务于真实场景的AGI生态，正在加速成形。

目前，LingBot-World模型权重及推理代码已面向社区开放。