C17官方网站-C17(中国)-蚂蚁灵波开源 LingBot

7月9日，蚂蚁灵波开源LingBot-Video，这是全世界首个基在Mixture-of-Experts（MoE）架构、面向具身智能的开源视频天生基础模子。该模子缭绕呆板人及具身智能的焦点需求从头设计视频预练习范式，于推理效率、物理合理性、动作理解及使命完成度等方面取患上体系性晋升，为视频基础模子从数字内容创作走向具身智能提供了新的开源底座。

于北京年夜学结合字节跳动发布的基准RBench上，LingBot-Video的总分是0.620，逾越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench作为面向呆板人操作视频的综合评测基准，重点考查模子可否天生切合真什物理纪律的呆板人举动。这一成果注解，LingBot-Video于天生呆板人相干视频时，更能连结动作历程的合理性及使命履行的完备性。

（图说：LingBot-Video于RBench上机能最优）

为进一步验证LingBot-Video对于物理世界变化的建模能力，蚂蚁灵波于内部benchmark中从通用质量及具身范畴两个维度举行评估。成果显示，对于比NVIDIA Cosmos 三、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.五、LTX-2.3等五个开源模子，LingBot-Video于具身范畴体现优在重要基线模子。

（图说：综合评测显示，LingBot-Video于具身相干场景中揭示出更强的物理理解及动作一致性）

已往几年，视频天生模子于画质、流利度及创意表达上快速前进，但对于在具身智能来讲，一个看起来传神、动作流利的视频，却没法反应真正的物理纪律，难以支撑呆板人持续猜测、计划及履行使命。与此同时，具身智能还有要求模子具有更高推理效率，以顺应及时交互及节制闭环。

这也让视频天生最先呈现两种差别的演进标的目的：一条通向影院，办事在内容创作；另外一条通向呆板人，办事在物理世界的理解、猜测与交互。LingBot-Video恰是蚂蚁灵波面向具身智能斥地视频天生新线路的主要摸索。

LingBot-Video从架构、数据及练习三方面举行了体系立异。

于架构上，LingBot-Video采用DiT + MoE设计，以MoE替换传统Dense架构，于扩展模子容量的同时节制单次推理成本。其30B总参数模子于天生时仅激活约3B参数，比拟划一参数范围Dense架构拥有约3倍推理效率。这一设计使模子既能得到年夜范围参数带来的视觉表达能力，又更合适具身智能对于高效推理的要求。

于数据上，LingBot-Video构建了数据画像引擎，于海量互联网视频的基础长进一步引入VLA、VLN、Ego等呆板人相干数据，笼罩灵巧操作、呆板人挪动及第一视角交互等场景，总范围达7万小时的具身数据。这些数据帮忙模子进修动作与情况变化之间的瓜葛，而不只是进修视频的外貌纹理及视觉气势派头。

于练习上，LingBot-Video引入多维强化进修奖励体系。除了美学、prompt追随及运动一致性等通例指标外，模子进一步缭绕物理合理性及使命完成度举行对于齐，使天生成果更切合真实世界纪律，也更切近呆板人于真实世界完成使命的需求。

据先容，LingBot-Video可用在呆板人动作猜测、仿真数据天生、动作前提建模、世界模子研究等标的目的。今朝，LingBot-Video已经正式开源。