蚂蚁灵波开源LingBot-Video：全球首个面向具身的视频基模，MoE架构提升推理效率
2026/07/09 11:57阅读量 3
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。该模型在RBench基准上总分0.620，超越Wan2.6等模型，并在具身相关场景中展现出更强的物理理解与动作一致性。模型采用30B总参数（激活约3B），训练数据包含7万小时机器人相关视频，已正式开源。
事件概述
2026年7月9日，蚂蚁灵波宣布开源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。该模型围绕机器人和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取得系统性提升。
核心信息
- 架构设计：采用DiT + MoE架构，以MoE代替传统Dense结构。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Dense架构拥有约3倍推理效率，更适合具身智能对实时交互和闭环控制的需求。
- 训练数据：构建数据画像引擎，在海量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跟随和运动一致性等常规指标外，进一步围绕物理合理性和任务完成度进行对齐。
- 性能表现：在北京大学联合字节跳动发布的基准RBench上，LingBot-Video总分0.620，超越Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。在内部benchmark中，对比NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3等五个开源模型，LingBot-Video在具身领域表现优于主要基线模型。
- 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。
开源情况
LingBot-Video已正式开源，为视频基础模型从数字内容创作走向具身智能提供了新的开源底座。