全球首個面向具身智能的視頻基模，螞蟻靈波 LingBot-Video 開源

螞蟻靈波科技今日正式開源 LingBot-Video，這是全球第一款基於 Mixture-of-Experts（MoE）架構、專為具身智能打造的開源視頻生成基礎模型。該模型從架構、數據與訓練三個面向進行系統性創新，試圖為機器人理解與操作物理世界提供更可靠的視覺生成能力。過去幾年，視頻生成模型在畫質、流暢度與創意表現上突飛猛進，但這些進步主要服務於內容創作與娛樂應用。對於具身智能而言，一個畫面精美、動作連貫的影片不一定符合真實物理規律，例如物體碰撞、重力影響、連續動作的因果關係等。這類模型生成的內容往往難以支撐機器人進行連續預測、規劃與任務執行，也無法滿足即時互動需要的推理效率。

正因如此，視頻生成領域開始出現兩種明顯的分化路線：一條走向影視製作，追求視覺效果與敘事表達；另一條走向機器人，強調對物理世界的理解、預測與互動。LingBot-Video 正是螞蟻靈波針對後者所推出的重要探索，核心目標是圍繞具身智能的需求重新設計視頻預訓練範式，在推理效率、物理合理性、動作理解與任務完成度上實現系統性提升。在架構層面，LingBot-Video 採用 DiT（Diffusion Transformer）結合 MoE 的設計，以混合專家模型取代傳統密集參數架構。這樣的作法能在擴大模型總容量的同時，有效控制單次推理的計算成本。

具體來說，LingBot-Video 的總參數量達到 30B，但在生成過程中僅激活約 3B 參數，與同等規模的密集參數模型相比，推理效率提升約三倍。這項設計對於需要即時反應的機器人應用特別關鍵，因為降低延遲與計算負擔才能支援閉環控制與連續決策。除了架構上的革新，LingBot-Video 在數據與訓練策略上也針對具身智能進行調整。雖然官方未詳細公開數據來源與訓練細節，但強調三者共同構成了一套完整的系統創新，目的在於讓模型學會反映真實物理動態，而非僅追求畫面逼真。例如，模型需要理解物體在空間中的運動軌跡、受力後的變化，以及連續動作之間的因果鏈，這些都是傳統娛樂導向的視頻生成模型經常忽略的面向。

螞蟻靈波表示，LingBot-Video 的開源將有助於加速具身智能領域的研究與應用發展。透過開放模型權重與相關技術細節，學術界與工業界可以在此基礎上進行進一步的微調、測試與落地，推動機器人從單純的感知走向更複雜的規劃與執行。業界分析指出，當前具身智能的主要瓶頸之一，在於缺乏能夠同時滿足物理真實性與即時推理能力的視覺生成工具。LingBot-Video 嘗試以 MoE 架構平衡規模與效率，為機器人提供一個可信任的視覺預測基礎，這條路線若能持續進展，有望補足從虛擬訓練到真實操作之間的鴻溝。整體而言，LingBot-Video 的發布標誌著視頻生成模型從「服務人」走向「服務機器人」的重要里程碑。

隨著越來越多的開源基礎模型湧現，具身智能的開發者將能取得更貼合物理世界規律的數位訓練環境，進而提升機器人在家庭、工廠、物流等場景中的自主作業能力。未來，螞蟻靈波是否會進一步釋出更大規模的模型或搭配實體機器人測試的相關成果，值得外界持續關注。