蚂蚁灵波开源 LingBot-Video，全球首个面向具身的视频基模来了！

7月9日，蚂蚁面向模蚂蚁灵波正式开源 LingBot-Video。灵波作为全球首个基于 Mixture-of-Experts (MoE)架构、开源专为具身智能设计的全球开源视频生成基础模型，LingBot-Video 重新定义了视频预训练范式。具身该模型在推理效率、频基物理合理性、蚂蚁面向模动作理解及任务完成度等核心维度实现了系统性突破，灵波为视频基础模型从“数字内容创作”向“具身智能应用”的开源演进提供了关键的开源底座。

性能评测：超越主流竞品

在由北京大学联合字节跳动发布的全球权威基准 RBench（面向机器人操作视频的综合评测基准）中，LingBot-Video 取得了 0.620的具身总分，显著优于其他主流模型：

• LingBot-Video: 0.620
• Wan2.6: 0.607
• Seedance 1.5 Pro: 0.584
• Cosmos3 Super: 0.581

RBench 重点考察模型生成符合真实物理规律机器人行为的频基能力。这一成绩表明，蚂蚁面向模LingBot-Video 在生成机器人相关视频时，灵波能更好地保持动作过程的开源合理性与任务执行的完整性。

图说：LingBot-Video 在 RBench 上性能最优

此外，蚂蚁灵波在内部基准测试中，从通用质量和具身领域两个维度对 LingBot-Video 进行了深度评估。结果显示，在对比 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3 等五个主流开源模型后，LingBot-Video 在具身领域表现优异，展现出更强的物理理解力和动作一致性。

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

行业背景：从“影院”到“机器人”的分野

近年来，视频生成模型在画质、流畅度和创意表达上进步显著，但在具身智能领域仍面临两大痛点：
1. 物理规律缺失：逼真的视频往往无法反映真实的物理规律，难以支撑机器人的连续预测、规划和执行。
2. 推理效率不足：具身智能要求模型具备高推理效率，以适应实时交互和控制闭环。

这导致视频生成技术出现两条截然不同的演进路线：一条通向影院，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开辟的新路线。

核心创新：架构、数据与训练

LingBot-Video 通过架构、数据和训练三方面的系统创新，解决了上述痛点：

1. 架构创新：DiT + MoE 高效设计

• MoE 替代 Dense：采用混合专家（MoE）架构替代传统密集架构，在扩大模型容量的同时严格控制单次推理成本。
• 高效推理：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。
• 优势：既保留了大规模参数带来的强大视觉表达能力，又满足了具身智能对高效推理的严苛要求。

2. 数据创新：构建具身专属数据画像

• 数据画像引擎：在海量互联网视频基础上，引入 VLA（视觉-语言-动作）、VLN（视觉语言导航）、Ego（第一视角）等机器人相关数据。
• 场景覆盖：涵盖灵巧操作、机器人移动和第一视角交互等场景。
• 数据规模：总规模达 7万小时的具身数据。
• 核心价值：帮助模型学习动作与环境变化之间的深层关系，而非仅仅学习视频的表面纹理和视觉风格。

3. 训练创新：多维强化学习奖励系统

• 常规指标：保留美学、Prompt 跟随和运动一致性等基础评估。
• 具身对齐：重点围绕物理合理性和任务完成度进行强化学习对齐。
• 目标：使生成结果更符合真实世界规律，更贴近机器人在真实环境中完成任务的需求。

应用场景与开源状态

LingBot-Video 目前支持多种具身智能关键应用场景，包括：
* 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

目前，LingBot-Video 已正式开源，欢迎开发者社区共同探索具身智能的新边界。

(责任编辑：探索)