螞蟻開源世界模型叫板谷歌Genie3，一張圖生成10分鐘穩定長視頻

智東西
作者 王涵
編輯 云鵬

智東西1月29日報道，今天，螞蟻靈波科技發布并開源了世界模型LingBot-World。該模型是一個專為交互式世界模型設計的開源框架。其核心LingBot-World-Base能夠提供高保真、可控制且邏輯一致的模擬環境。

LingBot-World由一個可擴展數據引擎驅動，通過從大規模游戲環境中學習物理規律與因果關系，可以實現與生成世界的實時交互。

該模型在視頻質量、動態程度、長時一致性、交互能力等關鍵指標上均逼近谷歌Genie 3。

▲LingBot-World能力表

體驗地址：

https://technology.robbyant.com/lingbot-worldModel

開源地址：

Hugging Face：

https://huggingface.co/collections/robbyant/lingbot-world

魔搭社區：

https://www.modelscope.cn/collections/Robbyant/LingBot-world

Github：

https://github.com/Robbyant/lingbot-worldTech

技術報告：

https://github.com/robbyant/lingbot-world/blob/main/LingBot_World_paper.pdf

一、近十分鐘穩定生成，鏡頭移開60s還能保持一致

針對視頻生成中最常見的“長時漂移”問題即生成時間一長就可能出現物體變形、細節塌陷、主體消失或場景結構崩壞等現象，LingBot-World通過多階段訓練以及并行化加速，實現了近10分鐘的連續穩定無損生成，為長序列、多步驟的復雜任務訓練提供支撐。

▲一致性壓力測試，鏡頭最長移開60秒后返回，目標物體仍存在且結構一致

▲高動態環境下，鏡頭長時間移開后返回，車輛形態外觀仍保持一致

▲鏡頭長時間移開后返回，房屋仍存在且結構一致

交互性能上，LingBot-World可實現約16 FPS的生成吞吐，并將端到端交互延遲控制在1秒以內。用戶可通過鍵盤或鼠標實時控制角色與相機視角，畫面隨指令即時反饋。

用戶可以通過文本指令觸發環境變化與世界事件，例如調整天氣、切換畫面風格或生成特定事件等，且所有變化均可在保持場景幾何關系相對穩定的前提下完成。

二、支持長程任務訓練，與場景多樣化生成

為解決世界模型訓練中高質量交互數據匱乏的問題，LingBot-World采用了混合采集策略：

一方面通過清洗大規模的網絡視頻以覆蓋多樣化的場景，另一方面結合游戲采集與虛幻引擎（UE）合成管線，從渲染層直接提取無UI干擾的純凈畫面，并同步記錄操作指令與相機位姿，為模型學習“動作如何改變環境”提供對齊的訓練信號。

得益于此，LingBot-World具備了良好的Zero-shot泛化能力。僅需輸入一張真實的城市街景照片或游戲截圖，模型即可生成對應的可交互視頻流，無需針對單一場景進行額外訓練，降低了在不同場景中的部署與使用成本。

▲機器人穿梭在城市之間

具身智能的規模化落地還面臨一個核心挑戰，那就是復雜長程任務的真機訓練數據極度稀缺。

LingBot-World憑借長時序一致性、實時交互響應，以及對“動作-環境變化”因果關系的理解，能夠在數字世界中“想象”物理世界，為智能體的場景理解和長程任務執行提供了一個低成本、高保真的試錯空間。

同時，LingBot-World還支持場景多樣化生成，可以改變光照、擺放位置變化等，此功能也有助于提升具身智能算法在真實場景中的泛化能力。

結語：螞蟻補全物理感知拼圖

螞蟻連續發布三款“靈波”系列具身領域大模型，其通用人工智能（AGI）戰略由此完成從數字世界向物理感知層面的關鍵延伸，也讓其“基礎模型 – 通用應用 – 實體交互” 的全棧技術路徑進一步清晰。

從行業視角看，世界模型正成為連接生成式AI與具身智能的關鍵橋梁。LingBot-World在長序列生成與零樣本泛化方面的能力，若能在實際應用中驗證，或可推動相關領域從有限場景訓練向開放場景適應的演進。