剛剛，全球首個具身專屬的MoE影片模型，開源了！

📌 【螞蟻靈波】首個具身專屬 MoE 影片模型 LingBot-Video 開源：讓機器人學習真實物理規律

TL;DR：LingBot-Video 透過 MoE 架構與 7 萬小時具身影片訓練，為機器人提供符合物理規律的視覺預測能力。

通用影片模型追求的是美學、畫質與運鏡，但對機器人來說，畫質再高，如果物體會憑空消失或穿模，那就是在教機器人一套錯誤的世界規律。

🤔 通用影片模型與具身影片模型的評價體系差異

對於短影片創作，物體穿模或違背慣性可能只是「AI 味重」的瑕疵；但對於具身智慧（Embodied AI）而言，這將導致機器人誤認手可以穿過物體或液體能懸在空中。

機器人看世界的邏輯不是視覺對齊，而是預測互動結果：伸手後杯子如何移動？走這條路是否會撞到障礙？因此，具身影片模型必須將「是否符合物理規律」視為最高優先順序。

🧩 LingBot-Video 的核心設計與技術亮點

為了讓模型成為機器人的「物理引擎」，LingBot-Video 在全鏈路進行了量身打造：

• MoE 架構平衡容量與成本：採用 MoE（Mixture of Experts）架構，總引數規模達 30B，但在推理時僅需啟用 3B 引數，有效平衡了模型容量與推理成本。
• 海量具身專屬資料：引入超過 70,000 小時的具身相關影片，涵蓋機器人操作、導航及第一視角等場景，讓模型學習現實世界的互動。
• 多維獎勵系統最佳化：在訓練過程中加入多維獎勵系統，將「物理合理性」與「任務完成度」直接納入最佳化目標。

📊 從工業場景到動態運動的實測表現

LingBot-Video 在 RBench 上的表現已超越業內通用影片生成標竿模型，具體能力體現在以下場景：

• 工業精準操作：在抓取、放置、定位、焊接等動作中，能保持末端執行器、工件與工作臺之間的相對關係穩定。
• 複雜動態建模：在第一視角滑雪或人形機器人繞旗門等場景中，展現對空間理解與運動預測的能力。
• 靈活運動能力：在排球擊球、足球射門等動作中，球的軌跡與身體動作具有明確的對應關係。

🎯 實務啟示：影片模型將成為機器人的「世界模型」

這項開源專案顯示，影片生成不再僅僅是為了視覺創作，而是在構建機器人的世界模型。透過大規模訓練，模型能讓機器人學習「看懂物體 $\rightarrow$ 靠近物體 $\rightarrow$ 作用於物體 $\rightarrow$ 預測狀態變化」的完整邏輯，這將直接影響機器人在現實世界中互動的可靠性。

🔗 來源

• 標題：剛剛，全球首個具身專屬的MoE影片模型，開源了！
• 作者／機構：十三 / 量子位
• 連結：https://www.qbitai.com/2026/07/446568.html

#EmbodiedAI #MoE #VideoGeneration #Robotics #WorldModel #OpenSource #LingBotVideo #MachineLearning #ComputerVision #PhysicalSimulation