螞蟻靈波開源 LingBot-Video，全球首個面向具身的視頻基模來了！

7 月 9 日，螞蟻靈波正式宣布開源 LingBot-Video，這是全球首個基於 Mixture-of-Experts（MoE）架構、專為具身智能設計的開源視頻生成基礎模型。該模型有別於一般追求視覺華麗的影片生成工具，而是圍繞機器人與具身智能的核心需求，重新建構視頻預訓練範式，在推理效率、物理合理性、動作理解與任務完成度等面向取得系統性提升，為視頻基礎模型從單純的數位內容創作跨入具身智能領域，提供了一個全新的開源底座。在評測表現上，LingBot-Video 於北京大學聯合字節跳動發表的機器人操作視頻基準 RBench 中，總分達到 0.620，超越近期備受關注的 Wan2.6（0.

607）、Seedance 1.5 Pro（0.584）以及 Cosmos3 Super（0.581）。RBench 專門設計用來評估模型能否生成符合真實物理規律的機器人行為，這項成績意味著 LingBot-Video 在生成機器人相關影片時，能更完整地維持動作過程的合理性與任務執行的連貫性。螞蟻靈波也在內部 benchmark 中，從通用品質與具身領域兩個維度進一步驗證模型的物理世界建模能力。與 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5 以及 LTX-2.

3 等五個開源模型相比，LingBot-Video 在具身相關場景中展現出更強的物理理解與動作一致性，在通用品質指標上也維持競爭力，證明其在兼顧畫質的同時，更能服務於機器人與真實世界的互動需求。回顧過去幾年，視頻生成模型在畫質、流暢度與創意表達上確實進步飛快，但對具身智能而言，單純看起來逼真、動作流暢的畫面遠遠不夠——如果影片無法反映真實物理規律，就難以支撐機器人進行連續預測、規劃與任務執行。此外，具身智能還要求模型具備高推理效率，才能適應即時交互與控制閉環的需求。

這樣的挑戰也讓視頻生成領域逐漸分化出兩條截然不同的演進路線：一條走向影視娛樂，服務於內容創作與視覺體驗；另一條則走向機器人領域，服務於物理世界的理解、預測與交互。LingBot-Video 正是螞蟻靈波針對後者，為具身智能量身打造的全新探索，試圖為機器人提供真正可用的視頻生成基礎能力。在技術架構上，LingBot-Video 採用 DiT（Diffusion Transformer）結合 MoE（混合專家）的設計，以 MoE 取代傳統的密集（Dense）架構。這讓模型的總參數量達到 30B，但在實際推理時僅激活約 3B 的參數，相較於同等參數規模的 Dense 模型，推理效率提升了約 3 倍。

這種設計既能保有大型模型帶來的視覺表達能力，又符合具身智能對高效能推理的嚴苛要求。在數據層面，螞蟻靈波為 LingBot-Video 建構了數據畫像引擎，在大量的網際網路影片基礎上，進一步引入 VLA（Vision-Language-Action）、VLN（Vision-Language Navigation）以及 Ego（第一人稱視角）等機器人相關數據，涵蓋靈巧操作、機器人移動與第一視角交互等場景，總計訓練資料達到 7 萬小時的具身數據。這些數據幫助模型學習動作與環境變化之間的因果關係，而不只是模仿影片表面的紋理與視覺風格。訓練策略上，LingBot-Video 導入多維強化學習獎勵系統。

除了常規的美學分數、提示詞跟隨能力與運動一致性之外，模型還特別針對物理合理性與任務完成度進行對齊，使得生成結果更貼近真實世界規律，也更符合機器人在現實中完成任務的實際需求。據螞蟻靈波介紹，LingBot-Video 的應用方向相當廣泛，可用於機器人動作預測、仿真數據生成、動作條件建模以及世界模型研究等領域。目前該模型已正式對外開源，開發者與研究機構均可下載使用，為具身智能的視頻基礎模型研究提供了重要的開放資源。