蚂蚁灵波开源LingBot-Video：全球首个面向具身智能的MoE视频基模
2026/07/09 11:14阅读量 2
蚂蚁灵波于7月9日开源LingBot-Video，这是全球首个基于Mixture-of-Experts架构、面向具身智能的视频生成基础模型。该模型在RBench基准上总分0.620，超越Wan2.6等竞品，参数量30B仅激活约3B，推理效率提升3倍，并引入7万小时具身数据和多维强化学习奖励系统，用于机器人动作预测与仿真数据生成。
事件概述
蚂蚁集团旗下机器人公司蚂蚁灵波于7月9日宣布开源全球首个面向具身智能的视频生成基础模型——LingBot-Video。该模型基于Mixture-of-Experts（MoE）架构，专为机器人和具身智能场景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方面实现系统性提升。
核心信息
- 性能表现：在北京大学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，超越Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581），在生成符合真实物理规律的机器人行为方面表现最优。
- 架构设计：采用DiT + MoE架构，总参数30B，推理时仅激活约3B参数，相比同等规模Dense架构推理效率提升约3倍。
- 数据规模：构建数据画像引擎，除互联网视频外引入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，具身数据总规模达7万小时。
- 训练方法：引入多维强化学习奖励系统，除美学、prompt跟随和运动一致性外，重点针对物理合理性和任务完成度进行对齐，使生成结果更贴近真实世界规律。
值得关注
LingBot-Video可作为视频基础模型从数字内容创作转向具身智能的开源底座，适用于机器人动作预测、仿真数据生成、动作条件建模及世界模型研究等方向。目前模型已正式开源。