蚂蚁灵波开源全球首个具身专属MoE视频模型LingBot-Video
2026/07/09 13:47阅读量 2
蚂蚁灵波开源LingBot-Video，这是全球首个面向具身智能的大规模MoE视频基础模型。模型总参数量30B，推理时仅激活3B，引入超70000小时具身相关视频，并通过分层强化学习奖励体系优化物理合理性。在RBench上，其表现超越业内通用视频生成标杆模型，旨在作为机器人的数据引擎、策略评估器和动作规划器。
事件概述
蚂蚁灵波正式开源LingBot-Video，这是一个专为具身智能设计的大规模MoE视频基础模型，也是全球首个此类模型。其核心目标是生成符合物理规律的视频，服务于机器人训练、策略评估和动作规划。
核心信息
- 架构：采用MoE（混合专家）架构，总参数量30B，但单次推理仅激活约3B参数，平衡了模型容量与推理成本。
- 数据：引入超过70000小时的具身相关视频素材，涵盖机器人操作VLA、导航、第一视角、人形/四足机器人等多个平台，并经过五维结构化标注和课程式五阶段渐进训练。
- 训练目标：与通用视频模型关注画质、美学不同，LingBot-Video将“符合物理规律”作为首要目标。其分层强化学习奖励体系从感知、物理、执行三个维度约束生成结果，确保物体不穿透、运动符合惯性、机器人动作可落地。
- 能力：支持Action-to-Video动作条件生成，可直接对接机器人运动规划模块。生成流程采用级联方案：先输出480p基础时序保证运动逻辑，再精炼至1080p高清画质。
- 评测结果：在TI2V（文本到图像到视频）任务上，LingBot-Video在开源模型中达到SOTA，general quality和embodied domain两项得分均列第一；在T2V任务上embodied domain得分超过NVIDIA Cosmos等基线；整体已在RBench上超越业内通用视频生成标杆模型。
值得关注
LingBot-Video的发布标志着视频生成模型从内容创作工具向物理世界模拟器的重要演进。其开源降低了机器人领域获取高质量训练数据的门槛，可作为数据引擎（生成低成本训练数据）、策略评估器（虚拟环境预运行策略）和动作规划器（预测执行后果）三级工具。当前长时序一致性、柔性物体/液体交互等挑战仍在解决中，但该模型已证明具身专属视频模型路线的可行性。