蚂蚁灵波开源全球首个具身视频基础模型

背景

在具身智能（Embodied AI）领域，视觉感知与运动控制之间的鸿沟一直是技术突破的关键瓶颈。传统视频生成模型多面向通用场景，缺乏对机器人本体、环境交互及任务执行等具身特质的建模能力。蚂蚁集团旗下具身智能子公司蚂蚁灵波（Ant Lingbo）此前已开源了空间感知模型 LingBot-Depth 2.0、世界模型 LingBot-World 等多个核心模型，逐步构建起覆盖感知、推理、生成的完整技术栈。2026 年 7 月，蚂蚁灵波再次开源全球首个基于 MoE 架构、面向具身智能的视频生成基础模型 LingBot-Video，标志着具身视频生成领域进入开源新阶段。

核心内容

蚂蚁灵波于 2026 年 7 月 9 日正式开源 LingBot-Video，这是全球首个面向具身智能（Embodied AI）的视频生成基础模型。该模型采用混合专家（MoE）架构，专为机器人场景设计，能够生成包含机器人本体动作、环境交互及任务执行的高质量视频。为支撑模型训练，蚂蚁灵波构建了数据画像引擎，系统性地引入了 VLA（Vision-Language-Action）、VLN（Vision-Language-Navigation）、Ego（第一人称视角）等机器人相关数据，覆盖灵巧操作、导航、抓取等多类具身场景。目前，其具身数据总规模已达到 7 万小时，为模型提供了丰富的视觉与行动对齐样本。LingBot-Video 的开源意味着开发者可以基于此模型进行二次训练、微调或直接用于具身智能研究，加速从感知到执行的闭环验证。

关键要点

• 模型定位：全球首个面向具身智能的开源视频生成基础模型，区别于通用视频生成模型，专注于机器人场景。
• 技术架构：基于 MoE（混合专家）架构，提升了模型在多样化任务上的效率与泛化能力。
• 数据引擎：构建数据画像引擎，定向采集并标注 VLA、VLN、Ego 等机器人专用数据，覆盖灵巧操作等高频场景。
• 数据规模：具身数据总规模达 7 万小时，为模型训练提供了海量、高质的视觉-行动配对样本。
• 开源价值：开源发布使研究者和开发者能够直接使用或扩展该模型，降低具身智能视频生成领域的进入门槛。

意义与影响

LingBot-Video 的开源填补了具身智能领域专用视频生成模型的空白。此前，视频生成模型多用于娱乐或通用内容创作，而缺乏对机器人本体、环境交互及任务执行的深度建模。该模型的出现，使得机器人领域的研究者可以基于真实或仿真数据生成可控的具身视频，用于训练策略网络、验证控制算法或生成合成数据，从而缓解真实数据采集成本高、场景覆盖不全的问题。结合蚂蚁灵波此前开源的 LingBot-Depth 2.0 空间感知模型和 LingBot-World 世界模型，LingBot-Video 进一步补齐了“感知-世界建模-视频生成”的技术拼图，推动具身智能从实验室走向开源生态，有望加速机器人领域的基础研究与产业落地。