智東西（公眾號：zhidxcom）
作者 | 王涵
編輯 | 云鵬
智東西1月29日報道，今天，螞蟻靈波科技發(fā)布并開源了世界模型LingBot-World。該模型是一個專為交互式世界模型設計的開源框架。其核心LingBot-World-Base能夠提供高保真、可控制且邏輯一致的模擬環(huán)境。
LingBot-World由一個可擴展數(shù)據(jù)引擎驅動，通過從大規(guī)模游戲環(huán)境中學習物理規(guī)律與因果關系，可以實現(xiàn)與生成世界的實時交互。
該模型在視頻質量、動態(tài)程度、長時一致性、交互能力等關鍵指標上均逼近谷歌Genie 3。
▲LingBot-World能力表
體驗地址：
https://technology.robbyant.com/lingbot-worldModel
開源地址：
Hugging Face：
https://huggingface.co/collections/robbyant/lingbot-world
魔搭社區(qū)：
https://www.modelscope.cn/collections/Robbyant/LingBot-world
Github：
https://github.com/Robbyant/lingbot-worldTech
技術報告：
https://github.com/robbyant/lingbot-world/blob/main/LingBot_World_paper.pdf
一、近十分鐘穩(wěn)定生成，鏡頭移開60s還能保持一致
針對視頻生成中最常見的“長時漂移”問題即生成時間一長就可能出現(xiàn)物體變形、細節(jié)塌陷、主體消失或場景結構崩壞等現(xiàn)象，LingBot-World通過多階段訓練以及并行化加速，實現(xiàn)了近10分鐘的連續(xù)穩(wěn)定無損生成，為長序列、多步驟的復雜任務訓練提供支撐。
▲一致性壓力測試，鏡頭最長移開60秒后返回，目標物體仍存在且結構一致
▲高動態(tài)環(huán)境下，鏡頭長時間移開后返回，車輛形態(tài)外觀仍保持一致
▲鏡頭長時間移開后返回，房屋仍存在且結構一致
交互性能上，LingBot-World可實現(xiàn)約16 FPS的生成吞吐，并將端到端交互延遲控制在1秒以內。用戶可通過鍵盤或鼠標實時控制角色與相機視角，畫面隨指令即時反饋。
用戶可以通過文本指令觸發(fā)環(huán)境變化與世界事件，例如調整天氣、切換畫面風格或生成特定事件等，且所有變化均可在保持場景幾何關系相對穩(wěn)定的前提下完成。
二、支持長程任務訓練，與場景多樣化生成
為解決世界模型訓練中高質量交互數(shù)據(jù)匱乏的問題，LingBot-World采用了混合采集策略：
一方面通過清洗大規(guī)模的網(wǎng)絡視頻以覆蓋多樣化的場景，另一方面結合游戲采集與虛幻引擎（UE）合成管線，從渲染層直接提取無UI干擾的純凈畫面，并同步記錄操作指令與相機位姿，為模型學習“動作如何改變環(huán)境”提供對齊的訓練信號。
得益于此，LingBot-World具備了良好的Zero-shot泛化能力。僅需輸入一張真實的城市街景照片或游戲截圖，模型即可生成對應的可交互視頻流，無需針對單一場景進行額外訓練，降低了在不同場景中的部署與使用成本。
▲機器人穿梭在城市之間
具身智能的規(guī)?；涞剡€面臨一個核心挑戰(zhàn)，那就是復雜長程任務的真機訓練數(shù)據(jù)極度稀缺。
LingBot-World憑借長時序一致性、實時交互響應，以及對“動作-環(huán)境變化”因果關系的理解，能夠在數(shù)字世界中“想象”物理世界，為智能體的場景理解和長程任務執(zhí)行提供了一個低成本、高保真的試錯空間。
同時，LingBot-World還支持場景多樣化生成，可以改變光照、擺放位置變化等，此功能也有助于提升具身智能算法在真實場景中的泛化能力。
結語：螞蟻補全物理感知拼圖
螞蟻連續(xù)發(fā)布三款“靈波”系列具身領域大模型，其通用人工智能（AGI）戰(zhàn)略由此完成從數(shù)字世界向物理感知層面的關鍵延伸，也讓其“基礎模型 – 通用應用 – 實體交互” 的全棧技術路徑進一步清晰。
從行業(yè)視角看，世界模型正成為連接生成式AI與具身智能的關鍵橋梁。LingBot-World在長序列生成與零樣本泛化方面的能力，若能在實際應用中驗證，或可推動相關領域從有限場景訓練向開放場景適應的演進。
