蚂蚁灵波开源 LingBot-Video，全球首个面向具身的视频基模来了！

背景

视频生成模型在过去几年取得了显著进展，画质、流畅度和创意表达不断提升。但对于机器人领域而言，一个看起来逼真、动作流畅的视频并不足够——它必须反映真实的物理规律，能够支撑机器人的连续预测、规划与任务执行。现有的视频基础模型大多面向内容创作（即“服务于影院”），缺少对物理世界因果关系的建模，也不具备高效推理能力，难以适应具身智能对实时交互和控制闭环的需求。

正是在这一背景下，蚂蚁灵波于2025年7月9日正式开源了LingBot-Video，这是全球首个基于Mixture-of-Experts（MoE）架构、面向具身智能的开源视频生成基础模型。该模型重新设计了视频预训练范式，围绕机器人和具身智能的核心需求，在推理效率、物理合理性、动作理解和任务完成度等方面实现了系统性提升，为视频基础模型从数字内容创作走向具身智能提供了新的开源底座。

核心内容

LingBot-Video是蚂蚁灵波面向具身智能推出的视频生成基础模型，采用DiT（Diffusion Transformer）+ MoE（Mixture-of-Experts）架构。其总参数量为30B，但在推理时仅激活约3B参数，相比同等参数规模的Dense架构，推理效率提升约3倍。这种设计在扩大模型容量的同时控制了单次推理成本，使其既能获得大规模参数带来的视觉表达能力，又更适合具身智能场景对高效推理的要求。

在数据方面，LingBot-Video构建了数据画像引擎。除了海量互联网视频，还引入了VLA（Vision-Language-Action）、VLN（Vision-Language Navigation）、Ego（第一视角）等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互等场景，总规模达7万小时的具身数据。这些数据帮助模型学习动作与环境的因果关系，而非仅仅学习视频的表面纹理和视觉风格。

在训练上，LingBot-Video引入了多维强化学习奖励系统。除美学质量、prompt跟随和运动一致性等常规指标外，模型还围绕物理合理性和任务完成度进行对齐，使生成结果更符合真实世界的物理规律，也更贴近机器人在真实世界中完成任务的需求。

性能方面，在北京大学联合字节跳动发布的基准RBench上，LingBot-Video总分为0.620，超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）和Cosmos3 Super（0.581）。RBench是面向机器人操作视频的综合评测基准，重点考察模型能否生成符合真实物理规律的机器人行为。这一结果表明，LingBot-Video在生成机器人相关视频时，能更好地保持动作过程合理性和任务执行完整性。

此外，蚂蚁灵波在内部benchmark中从通用质量和具身领域两个维度进行了评估，对比了NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3等五个开源模型。结果显示，LingBot-Video在具身领域表现优于主要基线模型。

LingBot-Video可应用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等多个方向。目前，该模型已正式开源。

关键要点

• 模型定位：全球首个基于MoE架构、面向具身智能的开源视频生成基础模型。
• 架构创新：采用DiT + MoE设计，30B总参数，推理时仅激活约3B参数，推理效率约为同等Dense架构的3倍。
• 数据规模：构建数据画像引擎，包含7万小时具身数据，覆盖灵巧操作、机器人移动、第一视角交互等场景。
• 训练策略：引入多维强化学习奖励系统，重点优化物理合理性和任务完成度。
• 性能优势：在RBench上总分0.620，超越Wan2.6、Seedance 1.5 Pro、Cosmos3 Super等模型；在内部具身领域评测中优于NVIDIA Cosmos 3、Wan 2.2 A14B等开源基线。
• 开源状态：LingBot-Video已正式开源。
• 应用方向：机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等。

意义与影响

LingBot-Video的开源标志着视频生成模型在具身智能领域迈出了关键一步。此前，视频基础模型主要服务于内容创作（“服务于影院”），追求画质和创意表达，但忽略了物理世界的因果规律。LingBot-Video开辟了另一条技术路线——“服务于机器人”，专注于物理世界的理解、预测与交互。

其MoE架构的高效性（30B参数仅激活3B）为具身智能的实时应用提供了可能，降低了部署门槛。同时，7万小时具身数据和多维强化学习奖励系统的引入，使模型能够学习到真正的物理规律和行为因果关系，而非仅仅模仿视觉纹理。这对于机器人仿真数据生成、动作预测、世界模型研究等领域具有重要价值。

更重要的是，LingBot-Video作为开源项目，将推动整个具身智能社区的发展。研究者可以基于该模型进一步探索VLA（视觉-语言-动作）模型、机器人操作策略优化、闭环仿真训练等方向，加速从数字内容生成到物理世界交互的技术跃迁。随着更多团队在LingBot-Video基础上进行二次开发，未来具身智能的建模能力和推理效率有望得到持续提升。