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，螞蟻靈波開源 LingBot-Video，這是全球首個基于 Mixture-of-Experts（MoE）架構、面向具身智能的開源視頻生成基礎模型。該模型圍繞機器人和具身智能的核心需求重新設計視頻預訓練范式，在推理效率、物理合理性、動作理解和任務完成度等方面取得系統性提升，為視頻基礎模型從數字內容創作走向具身智能提供了新的開源底座。

 

在北京大學聯合字節跳動發布的基準 RBench 上，LingBot-Video 的總分是 0.620，超越了 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench 作為面向機器人操作視頻的綜合評測基準，重點考察模型能否生成符合真實物理規律的機器人行為。這一結果表明，LingBot-Video 在生成機器人相關視頻時，更能保持動作過程的合理性和任務執行的完整性。

 

（圖說：LingBot-Video 在 RBench 上性能最優）

 

為進一步驗證 LingBot-Video 對物理世界變化的建模能力，螞蟻靈波在內部 benchmark 中從通用質量和具身領域兩個維度進行評估。結果顯示，對比 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3 等五個開源模型，LingBot-Video 在具身領域表現優于主要基線模型。

 

（圖說：綜合評測顯示，LingBot-Video在具身相關場景中展現出更強的物理理解和動作一致性）

 

過去幾年，視頻生成模型在畫質、流暢度和創意表達上快速進步，但對于具身智能來說，一個看起來逼真、動作流暢的視頻，卻無法反映真實的物理規律，難以支撐機器人連續預測、規劃和執行任務。與此同時，具身智能還要求模型具備更高推理效率，以適應實時交互和控制閉環。

 

這也讓視頻生成開始出現兩種不同的演進方向：一條通向影院，服務于內容創作；另一條通向機器人，服務于物理世界的理解、預測與交互。LingBot-Video 正是螞蟻靈波面向具身智能開辟視頻生成新路線的重要探索。

 

LingBot-Video 從架構、數據和訓練三方面進行了系統創新。

 

在架構上，LingBot-Video 采用 DiT + MoE 設計，以 MoE 替代傳統 Dense 架構，在擴大模型容量的同時控制單次推理成本。其 30B 總參數模型在生成時僅激活約 3B 參數，相比同等參數規模 Dense 架構擁有約 3 倍推理效率。這一設計使模型既能獲得大規模參數帶來的視覺表達能力，又更適合具身智能對高效推理的要求。

 

在數據上，LingBot-Video 構建了數據畫像引擎，在海量互聯網視頻的基礎上進一步引入 VLA、VLN、Ego 等機器人相關數據，覆蓋靈巧操作、機器人移動和第一視角交互等場景，總規模達 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關系，而不只是學習視頻的表面紋理和視覺風格。

 

 

在訓練上，LingBot-Video 引入多維強化學習獎勵系統。除美學、prompt 跟隨和運動一致性等常規指標外，模型進一步圍繞物理合理性和任務完成度進行對齊，使生成結果更符合真實世界規律，也更貼近機器人在真實世界完成任務的需求。

 

據介紹，LingBot-Video 可用于機器人動作預測、仿真數據生成、動作條件建模、世界模型研究等方向。目前，LingBot-Video 已正式開源。