蚂蚁灵波世界模型2.0发布：小时级生成+Agent驱动

背景

世界模型（World Model）是近年来 AI 领域的重要研究方向，旨在让模型理解并预测真实或虚拟世界的演化规律，从而支持交互式内容生成、物理仿真、具身智能训练等场景。今年 1 月，蚂蚁灵波科技（Ant LingBot）开源了第一代世界模型 LingBot-World，重点攻克了长视频生成中常见的“长时漂移”问题——即生成时间一长，画面容易模糊、结构容易变形。LingBot-World 1.0 将连续稳定生成时长推进到近 10 分钟，并支持键鼠操控与文本触发环境变化，引发业界广泛关注。

在此基础上，蚂蚁灵波于 7 月 9 日开源了新一代实时交互世界模型 LingBot-World 2.0（又称 LingBot-World-Infinity），全面升级世界预测与交互能力，并在业界首次将 Agent 机制引入世界模型，让生成的世界从“可观看、可操控”进一步走向“可持续互动、可动态变化”。

核心内容

LingBot-World 2.0 在生成时长、动态程度、实时性等方面均处于业界顶尖水平。模型采用因果预训练范式，并引入自研的 MoBA（Mixture of Block Attention）机制，让模型按照真实世界交互的时间顺序学习世界如何演化——基于已经发生的画面、动作和场景状态，持续预测接下来的变化，从而减少长时间生成中偏差不断放大的问题，避免画面越生成越模糊、结构越生成越失真。在长达一小时的不间断压力测试中，LingBot-World 2.0 画面始终保持纹理清晰、场景结构连贯，无明显画质衰减。

为了确保实时交互体验，蚂蚁灵波从预训练模型中蒸馏出面向实时交互的快速版本，并对生成流程做了系统优化：画面不再是等一整段生成完才播放，而是边生成、边传输、边显示。最终，LingBot-World 2.0 实现了稳定输出 720p/60fps 高清画面，用户通过键盘操控角色移动、切换视角时，画面几乎无延迟地即时反馈。

在交互层面，LingBot-World 2.0 不再只是“走一走、看一看”。模型支持攻击、射箭、施法、射击、跳跃、滑翔等多类动作，动作结果由模型根据场景状态实时生成，保持物理合理性与视觉一致性；也支持通过文本触发昼夜切换、天气变化、实体注入等事件。系统还内置双 Agent 机制：Pilot Agent 负责规划执行角色行为，Director Agent 在场景推进中实时提出新事件。此外，模型支持多位用户同时进入同一个持续运行的世界共同探索互动，开启 AI 原生的多人交互体验。

此次开源也进一步降低了世界模型的使用门槛。目前，用户可在 Reactor 平台和灵光 APP 在线体验，感受 LingBot-World 2.0 实时生成、连续交互以及 Agent 驱动的动态世界演化能力。

关键要点

• 无限生成能力：采用因果预训练范式 + 自研 MoBA 机制，实现近乎无限时长的高质量生成，一小时压力测试无画质衰减。
• 实时高清输出：稳定输出 720p/60fps 画面，通过边生成边传输边显示优化，实现低延迟交互。
• 丰富交互动作：支持攻击、射箭、施法、射击、跳跃、滑翔等多种动作，模型根据场景实时生成物理合理的结果。
• 文本事件驱动：可通过文本指令触发昼夜切换、天气变化、实体注入等环境变化。
• 双 Agent 机制：Pilot Agent 负责角色行为规划与执行，Director Agent 负责动态提出新事件，实现可持续互动的世界演化。
• 多人同时在线：支持多位用户同时进入同一持续运行的世界，共同探索互动。
• 开源降低门槛：作为开源模型，可广泛应用于游戏内容生成、影视预演、虚拟仿真、数字孪生、机器人与具身智能训练等场景。

意义与影响

LingBot-World 2.0 的发布标志着世界模型从“生成静态视频”正式迈入“实时交互、动态演化”的新阶段。业界首次将 Agent 机制引入世界模型，使生成的虚拟世界具备了自主推进和动态响应的能力，这为游戏内容生成、影视预演、虚拟仿真等场景提供了全新的 AI 原生创作工具。

更重要的是，作为蚂蚁灵波全栈大脑 2.0 的重要一环，LingBot-World 2.0 支持机器人与具身智能训练场景。世界模型能够为机器人提供低成本、高保真的虚拟训练环境，加速具身智能在真实物理世界中的部署。同时，开源策略降低了行业使用门槛，有望推动更多研究者和开发者基于该模型进行二次开发，进一步拓展世界模型的应用边界。