蚂蚁灵波开源LingBot-Video：全球首个面向具身智能的视频基模
2026/07/09 11:19阅读量 1
7月9日，蚂蚁灵波开源LingBot-Video，这是全球首个基于MoE架构、面向具身智能的视频生成基础模型。该模型在机器人操作视频评测基准RBench上总分0.620，超越Wan2.6、Seedance1.5 Pro等模型，在物理合理性和任务完成度上表现突出。模型总参数量30B，推理时仅激活约3B参数，推理效率相比同等规模Dense架构提升约3倍，已正式开源。
事件概述
蚂蚁灵波于7月9日开源LingBot-Video，这是全球首个基于Mixture-of-Experts（MoE）架构、面向具身智能的视频生成基础模型。该模型重新设计视频预训练范式，重点提升推理效率、物理合理性、动作理解与任务完成度，为视频基础模型从数字内容创作拓展至具身智能提供开源底座。
核心信息
- 架构与效率：采用DiT+MoE设计，总参数量30B，推理时仅激活约3B参数，相比同等参数规模的Dense架构推理效率提升约3倍，兼顾大容量视觉表达能力与实时交互需求。
- 数据与训练：构建数据画像引擎，在互联网视频基础上引入VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互等场景，总计7万小时具身数据。训练中引入多维强化学习奖励系统，除常规指标外，额外对齐物理合理性和任务完成度。
- 性能表现：在北大与字节跳动联合发布的机器人操作视频评测基准RBench上，LingBot-Video总分0.620，优于Wan2.6（0.607）、Seedance1.5 Pro（0.584）、Cosmos3 Super（0.581）等模型。在内部benchmark的具身领域评测中，对比NVIDIA Cosmos3、Wan2.2 A14B、LongCat-Video、Hunyuan Video1.5、LTX-2.3等开源模型，LingBot-Video同样展现更强物理理解与动作一致性。
- 应用方向：可用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等领域。
值得关注
LingBot-Video的开源标志着视频生成模型从内容创作向具身智能的路线分岔。其通过MoE架构在保持大规模参数能力的同时显著降低推理成本，并利用规模化具身数据与强化学习对齐物理规律，为机器人学习和物理世界模拟提供了新的基础模型选项。