全球首个具身专属MoE视频模型LingBot-Video开源

蚂蚁灵波正式开源了LingBot-Video，这是全球首个面向具身智能的大规模MoE视频基础模型与视频物理引擎。

与通用视频模型关注画质、光影不同，LingBot-Video从架构、数据到训练目标全链路为机器人量身打造，核心在于生成的视频是否符合物理规律。

核心亮点

• MoE架构：总参数30B，推理时仅激活3B，有效平衡模型容量与推理成本。
• 海量具身数据：引入超70000小时具身相关视频，涵盖机器人操作、导航、第一视角等场景。
• 多维奖励系统：将物理合理性、任务完成度纳入优化目标，确保生成内容符合现实物理规律。
• 性能优异：在RBench等评测中超越业内通用视频生成标杆模型。

为什么机器人需要专属视频模型？

通用视频模型中的穿模、物体消失等瑕疵，若用于训练机器人，会导致其学习错误的世界规律。LingBot-Video旨在让机器人大脑学会真实的物理规律，例如在工业场景中保持末端执行器与工件的相对关系稳定，或在动态场景中理解空间与运动预测。

技术实现路径

1. 架构创新：采用稀疏MoE架构，将总参数规模与实际激活计算量解耦，大幅降低计算成本。
2. 数据融合：结合通用互联网视频与具身数据，通过五维结构化标注和课程式五阶段渐进训练，掌握复杂物理交互逻辑。
3. 强化学习：搭建分层强化学习奖励体系，从感知、物理、执行三个维度同步约束生成结果，并原生支持Action-to-Video动作条件生成。

具身智能的“世界模型”

LingBot-Video为机器人提供了低成本、可反复试错的物理世界模拟器，其价值体现在三个层面：
- Data Engine：生成可信的动作过程和场景变化，提供低成本训练数据。
- Policy Evaluator：在虚拟视觉环境中预跑策略，降低真实测试风险。
- Action Planner：预测动作后果，辅助决策规划与异常预判。

视频模型正从内容创作赛道外溢至世界模型和具身智能赛道，成为下一阶段AI发展的兵家必争之地。