螞蟻靈波開源LingBot-Video，全球首個面向具身的影片基模來了！

📌 螞蟻靈波開源LingBot-Video，全球首個具身影片基模

TL;DR：LingBot-Video 採 MoE+DiT 架構，具身影片生成效率與物理合理性同步提升。

🎣 影片生成模型在畫質與創意上飛躍進步，但在機器人領域卻常常生出「看似真實、實則違反物理」的畫面。這讓具身智慧的即時規劃與控制陷入困境。現在，螞蟻靈波的開源模型試圖把影片基模拉回物理世界。

🤔 背景或問題
傳統影片基模專注於視覺表達與藝術風格，對具身智慧而言，生成的影片雖然逼真卻常缺乏物理規律的約束，難以支撐機器人連續預測、規劃與執行任務。此外，具身應用還需要高推理效率以適應即時互動與控制閉環。現有開源模型在這兩個維度上仍有提升空間。

🧩 方法或架構
LingBot-Video 在架構上採用 DiT+MoE（Diffusion Transformer + Mixture‑of‑Experts）設計，以 MoE 取代傳統 Dense 架構。其 30B 總引數模型在推理時僅啟用約 3B 引數，相較於同等規模的 Dense 模型擁有約三倍的推理效率。在資料方面，團隊建構了資料畫像引擎，將海量網際網路影片與 VLA、VLN、Ego 等機器人相關資料結合，覆蓋靈巧操作、機器人移動與第一視角互動等場景，總規模達 7 小時的具身資料。訓練上引入多維強化學習獎勵系統，除了美學、prompt 跟隨與運動一致性之外，特別圍繞物理合理性與任務完成度進行對齊，使生成結果更貼近真實世界規律。

📊 資料或結果
在北京大學與字節跳動聯合發布的 RBench 基準上，LingBot-Video 總分達 0.620，超過 Wan2.6（0.607）、Seedance1.5 Pro（0.584）與 Cosmos3 Super（0.581）。RBench 評估模型是否能生成符合真實物理規律的機器人行為，分數越高代表動作過程的合理性與任務執行的完整性越好。內部基準顯示，相較於 NVIDIA Cosmos3、Wan2.2 A14B、LongCat‑Video、Hunyuan Video1.5 與 LTX‑2.3 五個開源模型，LingBot-Video 在具身領域的表現優於主要基線。

💡 深入分析
MoE 機制讓模型在擴大總引數規模的同時，只啟用一小部分引數進行推理，這正是具身智慧對低延遲、高吞吐的關鍵需求。同時，將機器人專用資料納入預訓練，使模型學習動作與環境變化的因果關係，而非僅學習表面紋理。多維 RL 報酬則將美學目標與物理約束納入同一訓練目標，有助於減少生成影片中「看似正確卻實際不可能」的情況。開源特性降低了研究門檻，使學術與產業團隊都能在同一基礎上進行微調與創新。

⚠️ 限制
文章未提供實機驗證的延遲或失敗案例，亦未詳細說明模型在極長序列或高解析度下的資源消耗。因此，將 LingBot-Video 直接部署於實體機器人之前，仍需進一步的系統整合與實測評估。

🎯 實務啟示
對於機器人與具身智慧研究者，LingBot-Video 提供可直接用於動作預測、合成訓練資料、動作條件建模以及世界模型探索的開源基礎。其高效推理特性使其適合作為即時回饋迴路的一部分，研究者可在保持推理速度的同時，獲得更符合物理規律的影片輸出。

🔗 來源

• 標題：螞蟻靈波開源LingBot-Video，全球首個面向具身的影片基模來了！
• 作者／機構：量子位的朋友們
• 連結：https://www.qbitai.com/2026/07/446458.html

#AI #VideoGeneration #EmbodiedAI #MoE #DiT #OpenSource #Robotics #WorldModel #AntLingbo #QbitAI