蚂蚁灵波开源全球首款 MoE 具身视频大模型 LingBot-Video，为机器人世界模型搭建新底座

7 月 9 日，蚂蚁灵波正式开源 LingBot-Video，这也是业内首个采用混合专家（MoE）架构、专门服务具身智能的视频生成基础模型。不同于市面上主打影视创作的视频生成工具，该模型围绕机器人作业需求重塑预训练逻辑，在推理速度、物理逻辑还原、动作识别与任务完整性上实现全面优化，打通视频大模型从数字内容创作到机器人实体交互的技术通路。

依托北京大学与字节跳动联合推出的机器人专项评测基准 RBench，LingBot-Video 交出 0.620 的综合得分，超过 Wan2.6、Seedance1.5Pro、Cosmos3Super 等多款主流视频模型。这套基准重点核验生成画面是否契合现实物理规则，分数优势直观证明，该模型产出的机器人动作流程更连贯，执行任务的完整度更高。

除公开评测外，团队同步完成内部对照测试，从通用画面质量、具身场景适配两大维度，对标 NVIDIA Cosmos3、LongCat-Video 等五款主流开源模型。结果显示，LingBot-Video 在机器人相关场景中，对物理环境变化的理解、长序列动作一致性表现显著领先同类产品。

当前行业视频模型早已实现高清流畅画面输出，但大多侧重视觉观感，生成内容时常违背真实物理规律，且推理延迟偏高，难以适配机器人实时规划、闭环控制的刚需。行业技术路线也由此分化：一类聚焦影视、短视频内容生产，另一类深耕机器人物理世界感知与预测，LingBot-Video 正是后者路线的标志性成果。

模型性能优势来源于架构、数据集、训练策略三层系统性改造。

架构层面选用 DiT 搭配 MoE 方案，整体参数量 30B，单次推理仅激活 3B 参数，相较同等规模稠密模型，推理效率提升三倍，兼顾大模型表现力与机器人实时交互需求。

数据层面自研数据筛选引擎，在通用网络视频之外补充七万小时机器人专项素材，涵盖机械臂精细操作、移动导航、第一视角人机交互等场景，让模型掌握动作和环境联动逻辑，而非单纯复刻画面外观。

训练环节新增多维度强化学习奖励机制，除画面美观度、指令跟随、运动流畅度基础指标外，重点针对物理真实性、任务完成度做对齐优化，生成内容更贴合实体机器人作业逻辑。

据官方介绍，LingBot-Video 可支撑机器人动作预判、仿真数据集批量生成、动作条件建模、世界模型前沿研究等多项工作，目前模型代码已全面对外开放，供产业与科研机构落地研发。

以上关于蚂蚁灵波开源全球首款 MoE 具身视频大模型 LingBot-Video，为机器人世界模型搭建新底座的文章就介绍到这了，更多相关内容请搜索码云笔记以前的文章或继续浏览下面的相关文章，希望大家以后多多支持码云笔记。