7 月 9 日,蚂蚁灵波一日双发两款开源模型,把「具身视频基模」和「实时交互世界模型」两条最难啃的赛道同时抬到了开源前沿。 LingBot-Video 是全球首个面向具身的 MoE 视频生成基模。它采用 DiT + MoE 设计,30B 总参数在生成时仅激活约 3B,相比同等规模 Dense 架构获得约 3 倍推理效率——这正好踩在机器人对实时推理的硬门槛上。训练数据里塞进了 7 万小时具身语料,涵盖 VLA、VLN、Ego 等机器人第一视角交互场景,让模型学的不是「看起来像视频」,而是「动作如何引发环境变化」。在北大与字节联合发布的机器人操作视频基准 RBench 上,LingBot-Video 总分 0.620,超过了 Wan2.6(0.607)、Seedance 1.5 Pro(0.584)、Cosmos3 Super(0.581),整体表现优于主流开源对手。 LingBot-World 2.0(代号 Infinity)把世界模型拉到了「小时级实时生成 + 720p/60fps」。它用因果预训练范式加自研的 MoBA 机制,按真实世界的时间顺序预测演化,在一小时不间断压力测试里画面不糊、结构不失真。更值得关注的是它首次把双 Agent 机制引入世界模型:Pilot Agent 规划角色行为,Director Agent 实时提出新事件,再加上对多人同时进入同一个持续运行世界的支持,把「世界模型可玩」这件事从演示推向了产品。 两条线合在一起,看出蚂蚁灵波的全栈思路:VLA、Depth、Map 给机器人「感知与决策」,Video 和 World 则负责「想象与推演」——具身大脑 2.0 的开源底座正在拼成。