蚂蚁灵波开源全球首个具身视频基模 打造机器人物理世界模拟器

7月9日，蚂蚁灵波正式对外开源了LingBot-Video。作为全球首个基于混合专家（Mixture-of-Experts，MoE）架构、专为具身智能打造的开源视频生成基础模型，LingBot-Video并非又一款“画质精良”的视频生成器，而是彻底围绕机器人与具身智能的核心痛点，重新设计了视频预训练范式。在推理效率、物理合理性、动作理解以及任务完成度等关键维度上，均实现了系统性的跃升。这意味着，视频基础模型正从数字内容创作的边界跨越至具身智能领域，而LingBot-Video正好提供了这一关键的开源底座。

先看一组数据：在北大与字节跳动联合推出的RBench评测基准上，LingBot-Video的总分达到0.620，直接超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）以及Cosmos3 Super（0.581）。RBench并非普通的视频测试——它专门衡量机器人操作视频的物理合理性，考察模型能否生成严格符合真实物理规律的机器人行为。这一成绩表明，LingBot-Video在生成机器人相关视频时，动作过程的合理性与任务执行的完整性都更加出色。

（图注：LingBot-Video 在 RBench 上性能最优）

为了进一步验证模型对物理世界变化规律的建模能力，蚂蚁灵波在内部benchmark中从通用质量与具身领域两个维度进行了评估。与NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3这五款开源模型相比，LingBot-Video在具身相关场景中表现出明显更强的物理理解与动作一致性。

（图注：综合评测显示，LingBot-Video 在具身相关场景中展现出更强的物理理解和动作一致性）

过去几年，视频生成模型在画质、流畅性与创意表达方面进步迅猛。然而对于具身智能而言，一个看似逼真、动作流畅的视频，如果无法反映真实的物理规律，终究只是一个好看的“花瓶”，无法支撑机器人进行连续的预测、规划与任务执行。更何况，具身智能还要求模型具备更高的推理效率，以适应实时交互与控制闭环的需求。

这也使得视频生成开始分化出两条截然不同的路径：一条通往影院，服务于内容创作；另一条通向机器人，服务于物理世界的理解、预测与交互。LingBot-Video正是蚂蚁灵波面向具身智能，在视频生成这条新路线上的关键探索。

那么，它究竟是如何实现的？LingBot-Video从架构、数据与训练三个维度进行了系统性创新。

首先是架构层面。LingBot-Video采用DiT + MoE的设计，用MoE替代传统的Dense架构。好处显而易见：模型容量大幅扩展，但单次推理成本反而可控。它的总参数达到30B，但在生成时仅激活约3B参数——相比同等参数规模的Dense架构，推理效率提升了约3倍。这使得模型既能凭借大规模参数获得强大的视觉表达能力，又能满足具身智能对高效推理的刚性需求。

第二是数据层面。LingBot-Video构建了一个数据画像引擎，在海量互联网视频的基础上，进一步引入了VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动以及第一视角交互等场景。具身数据总规模达到7万小时。引入这些数据的核心目的，是帮助模型学习动作与环境变化之间的因果关系，而非仅仅学习视频的表面纹理与视觉风格——这一区别至关重要。

第三是训练层面。LingBot-Video引入了多维强化学习奖励系统。除了美学质量、prompt跟随与运动一致性等常规指标，它还专门针对物理合理性与任务完成度进行了对齐优化。如此一来，生成的结果更加符合真实世界规律，也更贴近机器人在实际世界中完成任务的真实需求。

据官方介绍，LingBot-Video可应用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等多个方向。而且，它已经正式开源。对于整个具身智能社区而言，这无疑是一个值得重点关注的新底座。