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

7 月 9 日，蚂蚁灵波开源 LingBot-Video，这是全球首个基于 Mixture-of-Experts（MoE）架构、面向具身智能的开源视频生成基础模型。该模型围绕机器人和具身智能的核心需求重新设计视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度等方面取得系统性提升，为视频基础模型从数字内容创作走向具身智能提供了新的开源底座。

在北京大学联合字节跳动发布的基准 RBench 上，LingBot-Video 的总分是 0.620，超越了 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench 作为面向机器人操作视频的综合评测基准，重点考察模型能否生成符合真实物理规律的机器人行为。这一结果表明，LingBot-Video 在生成机器人相关视频时，更能保持动作过程的合理性和任务执行的完整性。

（图说：LingBot-Video 在 RBench 上性能最优）

为进一步验证 LingBot-Video 对物理世界变化的建模能力，蚂蚁灵波在内部 benchmark 中从通用质量和具身领域两个维度进行评估。结果显示，对比 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3 等五个开源模型，LingBot-Video 在具身领域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）

过去几年，视频生成模型在画质、流畅度和创意表达上快速进步，但对于具身智能来说，一个看起来逼真、动作流畅的视频，却无法反映真实的物理规律，难以支撑机器人连续预测、规划和执行任务。与此同时，具身智能还要求模型具备更高推理效率，以适应实时交互和控制闭环。

这也让视频生成开始出现两种不同的演进方向：一条通向影院，服务于内容创作；另一条通向机器人，服务于物理世界的理解、预测与交互。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。

LingBot-Video 从架构、数据和训练三方面进行了系统创新。

在架构上，LingBot-Video 采用 DiT + MoE 设计，以 MoE 替代传统 Dense 架构，在扩大模型容量的同时控制单次推理成本。其 30B 总参数模型在生成时仅激活约 3B 参数，相比同等参数规模 Dense 架构拥有约 3 倍推理效率。这一设计使模型既能获得大规模参数带来的视觉表达能力，又更适合具身智能对高效推理的要求。

在数据上，LingBot-Video 构建了数据画像引擎，在海量互联网视频的基础上进一步引入 VLA、VLN、Ego 等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互等场景，总规模达 7 万小时的具身数据。这些数据帮助模型学习动作与环境变化之间的关系，而不只是学习视频的表面纹理和视觉风格。

在训练上，LingBot-Video 引入多维强化学习奖励系统。除美学、prompt 跟随和运动一致性等常规指标外，模型进一步围绕物理合理性和任务完成度进行对齐，使生成结果更符合真实世界规律，也更贴近机器人在真实世界完成任务的需求。

据介绍，LingBot-Video 可用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等方向。目前，LingBot-Video 已正式开源。