蚂蚁灵波开源LingBot-Video 全球首个具身视频基模正式发布

7月9日，蚂蚁灵波正式开源了LingBot-Video——这个名称或许稍显拗口，但其定位极为明确：全球首个基于MoE（混合专家）架构、专为具身智能设计的视频生成基础模型。简而言之，该模型并非以“生成视觉效果惊艳的视频”为目标，而是围绕机器人及具身智能的核心需求，重新定义了视频预训练范式。直接成果体现在推理效率、物理合理性、动作理解与任务完成度四个维度均实现了系统性提升。可以说，它为视频基础模型从“数字内容创作”向“具身智能”的跨越提供了一个全新的开源底座。

数据是最有力的证明。在北京大学与字节跳动联合发布的机器人操作视频基准RBench上，LingBot-Video的总分达到0.620，超越Wan2.6（0.607）、Seedance1.5 Pro（0.584）和Cosmos3 Super（0.581）。RBench作为专门评估模型能否生成符合真实物理规律机器人行为的基准，这一得分意味着什么？它表明LingBot-Video在生成机器人相关视频时，不仅动作过程更加合理，任务执行的完整性也更高。

（图说：LingBot-Video 在RBench上性能最优）

为深入验证其对物理世界变化的建模能力，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。结果颇具启示：对比NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、HunyuanVideo 1.5、LTX-2.3等五个开源模型，LingBot-Video在具身相关场景中的表现显著优于这些基线模型。

（图说：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、流畅度与创意表达方面取得了飞速进步。然而对于具身智能而言，一个看似逼真、动作流畅的视频，若无法反映真实物理规律，则难以支撑机器人进行连续预测、规划与执行任务。更关键的是，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。

这也促使视频生成领域出现了两条截然不同的演进路径：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，在视频生成新路径上探索的重要成果。

具体而言，本次开源模型在架构、数据与训练三个方面实现了系统性创新。

在架构上，LingBot-Video采用DiT+MoE设计。用MoE替代传统Dense架构的优势十分明显：在扩大模型容量的同时，有效控制了单次推理成本。其30B总参数模型在生成时仅激活约3B参数，相比同等参数规模的Dense架构，推理效率提升约3倍。这意味着模型既能获得大参数带来的视觉表达能力，又能满足具身智能对高效推理的严苛要求。

在数据层面，LingBot-Video构建了一个数据画像引擎。它不仅在海量互联网视频上进行预训练，还进一步引入了VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动与第一视角交互等场景，总规模达到7万小时的具身数据。这些数据帮助模型学习动作与环境变化之间的真实关系，而非仅仅捕捉视频的表面纹理与视觉风格。

在训练上，LingBot-Video引入了一套多维强化学习奖励系统。除了美学、prompt跟随与运动一致性等常规指标，它还围绕物理合理性与任务完成度进行了针对性对齐。这样做的目的十分明确：使生成结果更符合真实世界规律，也更贴近机器人在真实环境中完成任务的真实需求。

据官方介绍，LingBot-Video可广泛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。目前，该模型已正式开源。对于关注具身智能与机器人领域的从业者而言，这无疑是一个值得密切关注的进展。