世界模型混战，蚂蚁炸出开源牌

52 0 0

文章摘要

蚂蚁集团旗下的具身智能公司“蚂蚁灵波”正式开源通用世界模型LingBot-World，其核心突破在于全面开放代码与模型权重，且不绑定特定硬件平台。该模型沿袭了DeepMind Genie的生成式路线，但在交互能力、动态稳定性、时序连贯性及物理一致性上取得显著进展。模型展现出从“生成”到“模拟”的跨越性能力，例如鸭子蹬水动作与水面的物理响应符合流体力学规律，智能体运动遵循空间逻辑，且能维持长时间未被观察时的状态记忆。

一段长达9分20秒的无剪辑生成视频展示了模型的稳定性：从古希腊神庙出发的连贯场景中，画面物理状态与视觉质量在近十分钟内保持罕见的一致性，尽管后期出现建筑位置关系的遗忘瑕疵。与主流模型对比，LingBot-World的生成时长远超Veo 3（8秒）、Sora 2（25秒）等闭源方案，在开源条件下实现720p分辨率的高动态表现。VBench测试显示其全面领先Yume-1.5等开源模型，证明其不仅是视频生成器，更是交互式物理模拟器。

世界模型领域目前存在路线分歧：李飞飞的Marble侧重空间关系，英伟达细分预测与推理模型，而DeepMind Genie追求端到端渲染。蚂蚁灵波选择类似Genie的通用路径，旨在为Agent、游戏及仿真提供物理规律理解的基础设施。其技术实现依赖独特数据引擎，融合游戏数据与合成渲染，通过动作-反馈闭环训练解决互联网视频缺乏因果链的问题。模型分阶段训练策略逐步注入世界知识，最终实现概率预测式的状态演化模拟。

LingBot-World的深层价值在于构建高保真物理沙盒。其支持自然语言控制环境风格切换（如“冬季”“像素风”），并能精确生成特定物体（如烟花）。这种能力可低成本模拟自动驾驶的极端场景，而长时序稳定性为具身智能提供多步骤决策训练环境。与视觉-语言-动作模型LingBot-VLA结合后，系统可预演动作轨迹以筛选安全路径。更值得注意的是，模型数据还微调出自主智能体，实现环境与动作的双向实时影响，暗示世界模型未来或成为驱动智能体的核心底座。

行业背景上，大语言模型（LLM）在物理世界理解的局限加速了世界模型研究。Richard Sutton、李飞飞等学者指出LLM无法预测现实后果，而世界模型通过内部模拟支持规划决策。蚂蚁灵波的开源举措降低了验证门槛，其近期连续发布的空间感知模型LingBot-Depth等成果，标志着该公司从幕后走向开放生态构建的前台。

技术溯源显示，世界模型概念可追溯至1990年Richard Sutton的Dyna框架，其核心理念——通过内部模拟替代真实试错——仍是当前研究的共同根基。LingBot-World的突破在于将这一理念与生成式AI结合，通过数据与架构创新逼近物理规律的深层表征。尽管行业尚未统一标准，蚂蚁灵波的开源范式为探索世界模型的多样性提供了重要实践样本。