最新 7 月 9 日消息，今天，蚂蚁灵波科技正式开源 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。

最新附官方详细介绍如下：

过去几年，视频生成模型在画质、流畅度和创意表达上取得了快速进步。但对于具身智能来说，一个看起来逼真、动作流畅的视频，未必能反映真实的物理规律，往往难以支撑机器人连续预测、规划和执行任务。与此同时，具身智能还要求模型具备更高的推理效率，以适应实时交互和控制闭环。

这也让视频生成开始出现两种不同的演进方向：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。LingBot-Video 正是我们面向具身智能开辟视频生成新路线的重要探索 —— 围绕具身智能的核心需求，重新设计视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度等方面实现系统性提升。

架构、数据、训练三方面的系统创新

面向具身智能，LingBot-Video 从架构、数据和训练三方面进行了系统创新：

• 架构：DiT + MoE 设计

我们以 MoE 替代传统 Dense 架构，在扩大模型容量的同时控制单次推理成本。LingBot-Video 的 30B 总参数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：数据画像引擎与 7 万小时具身数据

我们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、VLN、Ego 等机器人相关数据。这些数据覆盖了灵巧操作、机器人移动和第一视角交互等场景，总规模达 7 万小时。这些数据帮助模型学习动作与环境变化之间的关系，而不只是学习视频的表面纹理和视觉风格。

• 训练：多维强化学习奖励系统

我们引入了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。我们还引入了真实世界视频作为偏好信号，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。

模型效果

在北京大学联合字节跳动发布的基准 RBench 上，LingBot-Video 的总分是 0.620，超越了 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench 作为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 LingBot-Video 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评估。结果显示，LingBot-Video 在具身领域表现优于 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3 等主要基线模型。此外，在面向物理现象生成与预测的 Physics-IQ Verified 评测中，LingBot-Video 同样排名第一。

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，LingBot-Video 已正式开源。