LingBot-World 2.0 实测：秒级生成、无限时长，世界模型进入新阶段

事件概述

蚂蚁灵波发布最新世界模型 LingBot-World 2.0，这是一个支持秒级生成、实时交互、近乎无限时长（可达小时级）的开源世界模型。用户只需提供提示词和参考图，几秒内即可生成一个全新的、可交互的世界，且支持在交互过程中随时通过文本注入事件，动态改变世界的环境、逻辑、角色和技能。

核心能力

• 生成速度：上传参考图和提示词后，最快1-2秒生成世界，可立即开始探索。
• 无限时长：通过因果自回归架构（Causal Autoregression）和混合双向自回归注意力（MoBA）机制，突破传统世界模型的时长极限（此前Google Genie单次session为1分钟），实测可达小时级且画面质量不崩溃。
• 实时交互：支持移动、攻击等传统操作外，用户可用文本提示词自定义技能（如近战、射击、施法），模型会自动生成符合场景的合理攻击方式。
• 事件注入：用户可在提示词中指定语法（如/1绑定临时热键）来注入新事件或动作；同时模型的Director Agent也会基于当前世界状态自动生成并注入新事件。
• 双Agent架构：Director Agent（VLM）负责宏观语义规则、因果推理和场景推进，生成新的环境元素；Pilot Agent（DiT）负责底层物理模拟和视觉渲染，类似“大/小脑”协同工作。

技术亮点

• 因果自循环架构：不仅预测像素，还同时预测一个受物理法则约束的离散潜状态（latent state），相当于内置一个“物理引擎”，从而在长序列中维持稳定。
• MoBA注意力机制：混合双向注意力和自回归注意力，避免传统自回归模型在长上下文中的“背答案”问题，保证画质不崩。
• 动态KV Cache调度：自适应保留或丢弃缓存内容，有效控制显存占用，支持长时交互。

开源与部署

• 14B参数版本：提供最高质量体验，可作为其他世界模型的开源基座，采用非商用开源协议。蚂蚁灵波将联合Reactor等平台提供在线体验及SDK。
• 1.3B官方蒸馏版本：更轻量，采用商用协议开源，可稳定输出720p/60fps视频流，能在消费级独立显卡上部署。

实测发现与不足

• 物理一致性：对重力、水体、火焰等物理法则的遵循程度达到一流世界模型水平，如火球溅射后残留灰烬并持续阴燃。
• 空间一致性：仍存在经典问题——当视角转动或角色离开再返回时，场景可能发生变化（如出现本不存在的墙）。内测版本通过限制KV Cache长度控制一致性时长在几秒内，正式版将提供可调节选项（如滑块控制一致性维持时长）。

对比与定位

与Google Genie 3、阿里ATH等知名长时序世界模型相比，LingBot-World 2.0在生成时长、动作自由度、语义交互自由度、视频清晰度等方面全面领先。其核心优势在于解决了世界模型的“分钟极限”，使得游戏、交互式内容等场景的沉浸感大幅提升。