LingBot-World 2.0 实测：无限时长随机世界来了

背景

世界模型 (World Model) 是近年来 AI 领域的热门方向，其目标是让模型不仅生成静态视频，还能构建一个可交互、可演化的动态环境。与传统的视频生成模型不同，世界模型需要具备实时渲染、物理一致性、用户交互以及长时间持续运行的能力。2025 年初，Google 推出了 Project Genie，融合了多个模型（如 Genie 3、Gemini 等）实现实时可交互环境，但存在单次 session 时长限制（1 分钟），且随着时长增加计算成本指数级上升。国内团队蚂蚁灵波（2025 年 2 月正式成立）在 1 月发布 LingBot-World 1.0 后，不到半年便推出了 2.0 版本，以“秒级生成、无限时长、实时交互”为卖点，试图突破世界模型在持续时长、一致性和交互自由度上的瓶颈。

核心内容

LingBot-World 2.0 是一个开源的世界模型，支持通过文本提示词和参考图在几秒内生成一个全新的可交互世界，并允许用户持续探索、修改世界中的逻辑、环境、角色、风格等所有元素。模型本身也会自主演化，使世界呈现出“活着”的特性。

技术架构与升级要点

LingBot-World 2.0 在 1.0 基础上进行了四项主要升级：

1. 因果结构 (Causal) 预训练：使交互更加稳定，减少画面逻辑崩坏。
2. 模型规格：提供 14B 参数量的开源模型和 1.3B 官方蒸馏版本的小模型，两者均开源。14B 模型采用非商用开源协议（2026 年逐渐流行），1.3B 模型采用商用协议，可稳定输出 720p/60fps 视频流，并能部署在消费级显卡上。
3. 自主生成技能：基于生成的世界，模型会自主生成符合语境的“技能”类型（如攻击、射箭、施法、枪械设计等），用户也可用提示词自定义技能。
4. 双 Agent 架构：引入 Director 和 Pilot 两个 Agent，分别负责场景推进和环境元素生成（Director），以及角色动作规划与执行（Pilot）。

双 Agent 架构详解

• Director Agent：一个视觉-语言模型 (VLM)，负责宏观语义规则、因果推理和时间规划。它相当于“导演”，根据场景推进实时发出指导，生成新的环境元素（如 NPC、魔物、灰烬等）。
• Pilot Agent：一个扩散模型 (DiT)，负责底层物理动态模拟和高保真视觉渲染，类似于“小脑”，控制角色运动与物理反馈。

这种“大/小脑”共同模拟框架 (Brain-Cerebellum Co-Simulation) 在工程上具有算力负载优势：模型无需在生成时一次性完成所有内容，而是将高算力负载在时间序列上摊平，通过 Director Agent 持续填充新元素，从而实现长时间运行。

无限时长与突破性机制

LingBot-World 2.0 的一个关键突破是实现了“小时级”的持续交互时间，实际意义上等同于无限长。这得益于两项创新：

1. MoBA 注意力机制：混合双向注意力和自回归注意力 (Mixture of Bidirectional and Autoregressive, MoBA)。传统自回归模型（如 Genie 3）在上下文变长时容易依赖“背答案”导致过拟合和画质下降，MoBA 在注意力掩码中加入双向注意力补丁，使模型既能自回归生成，又能保持画质不崩溃。
2. 因果自回归 (Causal Autoregression)：模型不仅预测像素，还同时预测一个受物理法则约束的离散潜状态 (latent state)，相当于在预测画面的同时运行一个“物理引擎”。这种架构避免了传统自回归模型因误差积累导致的时空一致性崩溃，并且降低了 KV Cache 的依赖——模型不再需要将过去所有帧的 KV 都塞进缓存，从而避免了 KV Cache 爆炸。

此外，模型采用动态 KV Cache 调度机制，根据控制信号和输入状态自适应保留或丢弃缓存，维持对当前世界最有价值的历史信息。

实时事件注入能力

LingBot-World 2.0 支持基于文本的新事件注入，用户可以通过指定语法（如使用 /1、/2 定义临时热键）在当前世界中实现任意变化。模型本体提供了“事件”接口，Director Agent 也会基于当前世界状态实时生成新事件。例如，在“逃离塔科夫”风格的 demo 中，模型会自动演化武器类型（从手枪到自动步枪）甚至自动装弹；在“后室”风格场景中，用户可以注入“将主角变成随机动物”或“修改后室结构”等抽象事件，模型会实时响应并改变世界。

实测体验

APPSO 在蚂蚁灵波办公室进行了详细测试。使用一张《刺客信条：起源》角色剧照作为参考图，配合中世纪欧洲荒野提示词，约 2 秒后生成世界，角色可响应 W（前进）和 U（近战攻击）等操作，挥舞火焰附魔长刀。在“后室”场景中，测试持续 10 多分钟，世界仍能稳定运行（若无时间限制可无限继续）。物理一致性方面，模型对重力、水体、自然元素等物理法则的遵循度达到一流水平。不过，由于内测版本通过 JSON 限制了 KV Cache 长度，空间一致性在某些场景下表现不佳（如返回原地时出现新墙），但官方将在公开版中提供调整滑块，让用户自主平衡一致性与生成速度。

关键要点

• 秒级生成：输入提示词和参考图后，最快 1-2 秒生成可交互世界。
• 无限时长：通过因果自回归架构和 MoBA 注意力机制，突破传统世界模型的“分钟极限”，实现小时级持续交互（实际等同于无限）。
• 双 Agent 架构：Director（VLM）负责场景推进与元素生成，Pilot（DiT）负责角色动作和物理模拟，协同工作并摊平算力负载。
• 实时事件注入：用户可通过文本提示词随时注入新事件，改变世界逻辑、环境、角色、技能等，模型也会自主生成新事件。
• 模型规格：14B 参数（非商用协议）和 1.3B 参数（商用协议）均已开源，1.3B 可输出 720p/60fps 并部署在消费级显卡。
• 动态 KV Cache 调度：自适应保留或丢弃缓存，避免缓存爆炸，支持长时间一致运行。
• 物理一致性：模型遵循重力、水体、自然元素等物理法则，但空间一致性（视角回退时场景保持）仍有提升空间，用户可通过调整参数自主权衡。
• 对比优势：在与 LingBot-World 1.0、阿里 ATH、Google Genie 3 等对比中，在生成时长、动作自由度、语义交互自由度、视频清晰度等方面全面领先。

意义与影响

LingBot-World 2.0 的发布标志着世界模型在技术范式上的一次重要突破。传统世界模型（如 Genie 3）受限于自回归架构的上下文长度和 KV Cache 压力，难以实现长时间一致交互；而 LingBot-World 2.0 通过因果自回归 + MoBA 注意力机制 + 双 Agent 工程架构，成功将持续时长从分钟级提升至小时级，在实际意义上实现了“无限世界”。这一能力对游戏开发、交互式内容、具身智能训练和视频创作等领域具有直接价值：

• 游戏行业：秒级生成可交互原型可大幅提升游戏开发效率，独立团队和大型工作室均可快速验证创意。
• 具身智能与自动驾驶：利用世界模型快速生成仿真环境，结合事件引擎注入新场景，可高效训练模型应对复杂情况。