蚂蚁灵波开源全球首个具身智能专属MoE视频模型LingBot-Video

蚂蚁集团旗下具身智能公司蚂蚁灵波（Robbyant）今日正式开源LingBot-Video，这是全球首个面向具身智能的大规模MoE（混合专家）视频基础模型，也被定位为视频物理引擎。

与通用视频生成模型追求画质、时长和美学不同，LingBot-Video的核心优化目标是视频是否符合物理规律。模型生成的视频需要让机器人学会真实的物理交互逻辑，而非仅追求视觉效果。

在架构方面，LingBot-Video采用MoE设计，总参数量达30B，但单次推理仅激活约3B参数参与计算。相比同等规模的Dense模型，其在1M Token长度下的推理速度可达Dense 30B的3.18倍，大幅降低了计算成本。

数据层面，模型引入了超过70000小时的具身相关视频素材，覆盖机器人操作、导航、第一视角等场景。团队采用课程式五阶段渐进训练，从低清静态图像逐步过渡到高清长时序视频，并加入多维奖励系统，将物理合理性、任务完成度纳入优化目标。

在评测中，LingBot-Video在TI2V任务上达到开源竞品中的SOTA水平，并在general quality和embodied domain两项得分中均位居第一，同时在RBench上超越业内通用视频生成标杆模型。

蚂蚁灵波将LingBot-Video定位为面向机器人社区的Data Engine（数据引擎）、Policy Evaluator（策略评估器）和Action Planner（动作规划器），试图为机器人训练提供低成本、可反复试错的物理世界模拟环境。

LingBot-Video已在GitHub开源，技术报告同步发布于arXiv，模型权重已上架Hugging Face和ModelScope。这一开源动作意味着视频生成模型正在从内容创作赛道外溢到世界模型和具身智能赛道，值得关注其在机器人领域实际落地的后续进展。