蚂蚁灵波开源全球首个具身视频基模LingBot-Video

背景

近年来，视频生成模型在画质、流畅度和创意表达上取得了显著进步，但主流模型主要面向数字内容创作（如影视特效、短视频生成），其核心追求是视觉逼真性和艺术表现力。然而，对于具身智能（Embodied AI）——即需要与物理世界交互的机器人系统——来说，一个看起来逼真、动作流畅的视频可能完全违背真实的物理规律，无法支撑机器人进行连续预测、规划和执行任务。此外，具身智能对推理效率有极高要求，以适应实时交互和控制闭环。这导致视频生成领域出现两条分化的演进路径：一条通向“影院”（服务于内容创作），另一条通向“机器人”（服务于物理世界的理解、预测与交互）。正是在这一背景下，蚂蚁灵波推出了LingBot-Video，试图为具身智能开辟视频生成的新路线。

核心内容

2026年7月9日，蚂蚁灵波宣布开源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。该模型围绕机器人和具身智能的核心需求重新设计了视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度等方面取得系统性提升，旨在为视频基础模型从数字内容创作走向具身智能提供新的开源底座。

在性能评测方面，LingBot-Video在由北京大学联合字节跳动发布的基准RBench上取得了总分0.620的成绩，超越了Wan2.6（0.607）、Seedance1.5 Pro（0.584）、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，更能保持动作过程的合理性和任务执行的完整性。

为进一步验证模型对物理世界变化的建模能力，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。结果显示，对比NVIDIA Cosmos3、Wan2.2 A14B、LongCat-Video、Hunyuan Video1.5、LTX-2.3等五个开源模型，LingBot-Video在具身领域表现优于主要基线模型，展现出更强的物理理解和动作一致性。

LingBot-Video从架构、数据和训练三方面进行了系统创新：

• 架构创新：采用DiT+MoE设计，以MoE替代传统Dense架构。总参数为30B的模型在生成时仅激活约3B参数，相比同等参数规模的Dense架构拥有约3倍的推理效率。这一设计使模型既能获得大规模参数带来的视觉表达能力，又更适合具身智能对高效推理的要求。
• 数据创新：构建了数据画像引擎，在海量互联网视频的基础上进一步引入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，帮助模型学习动作与环境变化之间的因果关系，而非仅仅学习视频的表面纹理和视觉风格。
• 训练创新：引入多维强化学习奖励系统。除美学、prompt跟随和运动一致性等常规指标外，模型进一步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规律，也更贴近机器人在真实世界完成任务的需求。

据介绍，LingBot-Video可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，核心是为机器人理解物理世界服务，而非传统内容创作。
• 架构优势：30B总参数，推理时仅激活约3B参数，相比同等规模的Dense架构推理效率提升约3倍，实现大规模参数与高效推理的平衡。
• 数据规模：集成7万小时具身相关数据（包括VLA、VLN、Ego等），覆盖灵巧操作、移动、第一视角交互等场景，增强模型对物理因果关系的理解。
• 训练机制：采用多维强化学习奖励系统，在常规美学、prompt跟随等指标之外，额外引入物理合理性和任务完成度对齐，使生成行为符合真实物理规律。
• 性能表现：在RBench基准上总分0.620，超越Wan2.6（0.607）、Seedance1.5 Pro（0.584）、Cosmos3 Super（0.581）等主流模型；在内部评测中，具身领域表现优于NVIDIA Cosmos3、Wan2.2 A14B等五个开源模型。
• 开源状态：模型已正式开源，可直接用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等方向。

意义与影响

LingBot-Video的发布标志着视频生成模型从“为眼睛服务”向“为动作服务”的重要转折。它首次将MoE架构、具身数据画像引擎和物理合理性强化学习系统三者结合，为具身智能领域提供了一个既高效又符合物理规律的视频基础模型。这一开源底座有望降低机器人领域在仿真数据生成、动作预测和世界模型研究上的技术门槛，加速具身智能从实验室走向真实场景的部署。同时，LingBot-Video的成功也验证了视频生成模型在物理世界建模方面的可行性，可能促使更多研究团队将视频生成技术的核心焦点从艺术创作转向物理交互，推动整个AI领域在“理解物理世界”这一方向上取得实质性进展。