AI消息速览

全球首个具身专属MoE视频模型LingBot-Video开源

事件日期 2026-07-09 · 产业观察 · 已接受

返回列表 打开来源
事件日期2026-07-09
信息日期2026-07-09
入库日期2026-07-09
通道产业观察
状态已接受
来源量子位

知识卡片：全球首个具身专属MoE视频模型LingBot-Video开源

英文标题（自拟）: LingBot-Video: The World's First Embodied-Specific MoE Video Model Open-Sourced
英文关键词: LingBot-Video, MoE, embodied AI, video generation, open source, physical world simulator
原始来源: https://www.qbitai.com/2026/07/446568.html

一句话结论

蚂蚁灵波开源的LingBot-Video是全球首个面向具身智能的大规模MoE视频基础模型，采用30B参数（推理时仅激活3B）并结合超70000小时具身视频数据与分层强化学习奖励体系，在RBench上超越通用视频生成标杆模型，旨在为机器人提供低成本的物理世界模拟器。

事件概述

2026年7月9日，蚂蚁灵波正式开源LingBot-Video，宣称其为“全球首个面向具身智能的大规模MoE视频基础模型、视频物理引擎”。该模型从架构、数据到训练目标全链路为机器人、人形智能体量身打造，核心差异在于追求“是否符合物理规律”，而非传统视频生成注重的时长、美学、画质等。模型已发布技术报告、GitHub仓库、HuggingFace和ModelScope模型。

方法/产品要点

  • 架构：采用稀疏MoE（Mixture of Experts），总参数30B，单次推理仅激活约3B参数，相比同等规模Dense模型速度提升1.50×~3.18×。
  • 数据：引入超70000小时具身相关视频（embodiment-oriented footage），涵盖机器人操作VLA、导航、第一视角、真实/仿真、多种机器人平台；通过五维结构化标注、课程式五阶段渐进训练、分布感知采样处理长尾场景。
  • 训练目标：核心优化“是否符合物理规律”（物体不穿透、无凭空消失、符合重力惯性等），而非仅画面美观度或文本匹配度。
  • 强化学习：搭建分层强化学习奖励体系，从感知维度（清晰度、匹配度、流畅度）、物理维度（穿透/消失校验、材质受力形变）、执行维度（肢体结构完整、动作可落地、任务完成度）同步约束；采用GRPO组相对策略优化，配合负感知微调。
  • 生成能力：原生支持Action-to-Video动作条件生成；配套级联精炼方案（先480p保证运动逻辑，再精炼至1080p画质）。

主要结果或产业意义

  • 在评测基准RBench上超越业内通用视频生成标杆模型。
  • 在TI2V（Text-to-Image-to-Video）任务中，LingBot-Video在开源竞品中达到SOTA，general quality与embodied domain两项得分均居第一。
  • 在T2V任务中，general quality排名第二，但embodied domain得分仍超过NVIDIA Cosmos等竞争基线。
  • 模型定位为面向机器人社区的三大工具：Data Engine（提供低成本训练数据）、Policy Evaluator（虚拟环境安全试错）、Action Planner（辅助真实场景决策规划）。

为什么重要

视频生成赛道正从内容创作外溢到世界模型和具身智能领域。LingBot-Video首次证明了视频模型可以成为物理世界模拟器，而非仅生产电影级画面。其MoE架构与数据策略降低了机器人训练成本，使大规模具身视频生成成为可能，可能成为“下一代机器人大脑的起点”。

局限与不确定性

  • 长时序一致性、柔性物体与液体等复杂物理交互能力仍需验证。
  • 视频预测能力向真实机器人闭环的转化效果待核实。
  • 具身视频模型的评测标准尚在演进中。

可用于图书/PPT/简报的角度

  • MoE效率：30B参数量仅激活3B的设计如何平衡模型容量与推理成本，适合在“大模型轻量化”章节引用。
  • 数据策略：70000小时具身视频 + 互联网视频融合 + 课程式训练的“第三条路”，可作为“数据工程”案例。
  • 奖励体系：三维（感知、物理、执行）分层强化学习设计，体现具身智能对“物理常识”的独特需求。
  • 产业趋势：视频生成从“美学生产”到“物理模拟”的范式转移，呼应世界模型、空间智能等前沿方向。

原始材料

  • 文章地址：https://www.qbitai.com/2026/07/446568.html
  • GitHub：https://github.com/robbyant/lingbot-video
  • 技术报告：https://arxiv.org/pdf/2607.07675
  • 项目页：https://technology.robbyant.com/lingbot-video
  • HuggingFace：https://huggingface.co/collections/robbyant/lingbot-video
  • ModelScope：https://www.modelscope.cn/collections/Robbyant/LingBot-Video