融合7万小时具身数据，蚂蚁灵波开源具身视频基础模型LingBot-Video

发布时间：2026-07-17 16:27:24 来源：安智兰德资讯网 作者：综合

7月9日，融合蚂蚁灵波正式开源 LingBot-Video。时具身数身视这是据蚂一款基于 Mixture-of-Experts（MoE）架构、专为具身智能设计的蚁灵源具视频生成基础模型。该模型针对机器人及具身智能的波开核心需求，重构了视频预训练范式，频基在推理效率、础模物理规律合理性、融合动作理解能力及任务完成度等关键维度实现了系统性突破，时具身数身视为视频基础模型从单纯的据蚂数字内容创作向具身智能应用落地提供了全新的开源底座。

性能评测：超越主流竞品，蚁灵源具确立具身视频生成新标杆

在北京大学联合字节跳动发布的波开权威基准 RBench（面向机器人操作视频的综合评测基准）中，LingBot-Video 取得了 0.620的频基总分。该基准重点考察模型生成符合真实物理规律机器人行为的础模能力。LingBot-Video 的融合表现显著超越了以下主流模型：

• Wan2.6：0.607
• Seedance1.5 Pro：0.584
• Cosmos3Super：0.581

这一成绩表明，在生成机器人相关视频时，LingBot-Video 能够更精准地保持动作过程的物理合理性与任务执行的完整性。

（图说：LingBot-Video在RBench上性能最优）

为进一步验证其对物理世界变化的建模能力，蚂蚁灵波在内部基准测试中从“通用质量”和“具身领域”两个维度进行了全面评估。结果显示，相较于 NVIDIA Cosmos 3、Wan2.2 A14B、LongCat-Video、HunyuanVideo 1.5 以及 LTX-2.3 等五个主流开源模型，LingBot-Video 在具身领域的应用表现优于主要基线模型。

（图说：综合评测显示，LingBot-Video在具身相关场景中展现出更强的物理理解和动作一致性）

行业背景：从“内容创作”到“物理交互”的范式转移

近年来，视频生成模型在画质、流畅度及创意表达上取得了显著进步。然而，对于具身智能而言，仅具备逼真外观和流畅动作的视频往往缺乏真实的物理规律支撑，难以满足机器人连续预测、规划及执行任务的需求。此外，具身智能场景对模型的推理效率提出了更高要求，以适应实时交互和控制闭环。

这促使视频生成技术分化出两条截然不同的演进路径：
1. 通向影院：服务于数字内容创作，追求视觉美学与创意表达。
2. 通向机器人：服务于物理世界的理解、预测与交互，强调物理一致性与实时性。

LingBot-Video 正是蚂蚁灵波面向具身智能开辟视频生成新路线的重要探索成果。

核心创新：架构、数据与训练的三重突破

LingBot-Video 在架构设计、数据构建及训练策略三个层面进行了系统性创新：

1. 架构创新：DiT + MoE 实现高效推理

LingBot-Video 采用 DiT (Diffusion Transformer) + MoE (Mixture-of-Experts)架构，以 MoE 替代传统的 Dense 架构。
* 参数激活机制：在 30B 总参数规模下，生成时仅激活约 3B参数。
* 效率提升：相比同等参数规模的 Dense 架构，推理效率提升约 3倍。
* 优势：既保留了大规模参数带来的强大视觉表达能力，又完美契合具身智能对高效推理的严苛要求。

2. 数据创新：构建7万小时具身专属数据池

蚂蚁灵波构建了专用的数据画像引擎，在海量互联网视频基础上，深度引入 VLA（视觉-语言-动作）、VLN（视觉语言导航）及 Ego（第一视角）等机器人相关数据。
* 数据规模：累计 7万小时具身数据。
* 场景覆盖：涵盖灵巧操作、机器人移动、第一视角交互等高难度场景。
* 学习目标：帮助模型深入理解动作与环境变化之间的因果关联，而非仅仅学习视频的表面纹理和视觉风格。

3. 训练创新：多维强化学习对齐真实世界

LingBot-Video 引入了多维强化学习奖励系统，在传统的“美学”、“Prompt跟随”和“运动一致性”指标基础上，进一步增加了以下对齐维度：
* 物理合理性：确保生成内容符合真实世界的物理定律。
* 任务完成度：贴近机器人在真实环境中完成任务的实际需求。
这一策略使得生成结果不仅视觉逼真，更具备指导机器人实际操作的实用价值。

应用场景与开源现状

目前，LingBot-Video 已正式开源，主要适用于以下前沿方向：
* 机器人动作预测：提升机器人对未来的预判能力。
* 仿真数据生成：低成本生成高质量训练数据。
* 动作条件建模：实现更精准的动作控制。
* 世界模型研究：构建更真实的物理世界模拟器。

相关文章