螞蟻靈波開源LingBot-Video，全球首個面向具身的視頻基模來了！

螞蟻靈波今日正式宣布開源全球首個基於混合專家（Mixture-of-Experts，MoE）架構、專門面向具身智能的視頻生成基礎模型——LingBot-Video。這款模型從底層重新設計了視頻預訓練範式，針對機器人與具身智能的核心需求進行系統性優化，在推理效率、物理合理性、動作理解以及任務完成度等方面均取得顯著提升，為視頻基礎模型從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。在由北京大學與字節跳動聯合發布的機器人操作視頻綜合評測基準RBench上，LingBot-Video總分達到0.620，超越Wan2.6（0.607）、Seedance1.5 Pro（0.

584）以及Cosmos3 Super（0.581）等知名模型。RBench專門設計用於評估模型能否生成符合真實物理規律的機器人行為，這項成績顯示LingBot-Video在生成機器人相關視頻時，能更完整地維持動作過程的合理性與任務執行的完整性，而非僅追求視覺上的流暢與逼真。為了進一步驗證LingBot-Video對物理世界變化的建模能力，螞蟻靈波也在內部自建的評測基準中從通用質量與具身領域兩個維度進行對比。結果顯示，面對NVIDIA Cosmos3、Wan2.2 A14B、LongCat-Video、Hunyuan Video1.5及LTX-2.

3等五個主流開源模型，LingBot-Video在具身相關場景中展現出更強的物理理解能力與動作一致性，整體表現優於主要基線模型。過去幾年，視頻生成模型在畫質、流暢度與創意表達上進步飛快，但對於具身智能而言，一個看起來逼真、動作流暢的視頻如果無法反映真實的物理規律，就難以支撐機器人進行連續預測、規劃與執行任務。同時，具身智能還要求模型具備更高的推理效率，以適應即時互動與控制閉環的需求。這使得視頻生成正朝向兩條截然不同的路徑演化：一條走向影院，服務內容創作；另一條走向機器人，服務物理世界的理解、預測與互動。LingBot-Video正是螞蟻靈波為具身智能開闢這條新路線的重要探索。

在技術層面，LingBot-Video從架構、數據與訓練三方面進行了系統性的創新。架構上採用DiT搭配MoE的設計，以混合專家架構取代傳統的密集型Dense架構，在擴大模型容量的同時有效控制單次推理成本。其總參數量達30B，但在生成影片時僅需激活約3B參數，相較同等規模的Dense架構擁有約三倍的推理效率。這讓模型既能運用大規模參數帶來更強的視覺表達能力，又能符合具身智能對高效率推理的苛刻要求。

數據方面，LingBot-Video建置了一套數據畫像引擎，在海量網際網路影片的基礎上，進一步導入VLA（視覺-語言-動作）、VLN（視覺-語言導航）、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互動等場景，總計達七萬小時的具身數據。這些經過精心挑選與標註的數據，幫助模型學習動作與環境變化之間的因果關係，而不只是記住影片的表面紋理與視覺風格。在訓練階段，LingBot-Video引入了多維度強化學習獎勵系統。

除了美學評分、提示詞跟隨度與運動一致性等常規指標外，模型進一步圍繞物理合理性與任務完成度進行對齊，使生成的結果更貼近真實世界的運作規律，也更符合機器人在真實環境中完成任務的實際需求。據介紹，LingBot-Video目前可應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多個方向。隨著今日的開源發布，研究人員與開發者可以基於這套基礎模型進行二次訓練與微調，加速具身智能從實驗室走向真實場景的進程。

螞蟻靈波團隊表示，LingBot-Video的開源旨在為業界提供一個真正服務於機器人與物理世界理解的視頻生成基礎模型，讓更多團隊能夠繞過從零開始建構高昂成本與技術門檻，專注於上層應用與場景落地。未來，團隊將持續迭代模型架構與數據策略，並期待與學術界及產業界共同探索視頻生成在具身智能領域的更多可能性。