文章摘要
【关 键 词】 具身智能、视频模型、物理引擎、蚂蚁灵波、开源模型
蚂蚁灵波正式开源了LingBot-Video，这是全球首个面向具身智能的大规模MoE视频基础模型及视频物理引擎。与通用视频生成模型侧重视觉质量、语义对齐和运动连贯不同，该模型从架构、数据到训练目标全链路专为机器人和人形智能体量身打造，核心关注生成内容是否严格符合物理规律，避免穿模或违背惯性等错误对机器人训练造成误导。
在架构设计上，LingBot-Video引入了稀疏MoE架构，总参数量达30B，但单次推理仅激活3B参数。这种设计在固定计算预算下扩大了参数容量，将总参数规模与实际计算量解耦，有效平衡了模型容量与推理成本，使机器人大量模拟和试错在经济上具备可行性。在数据层面，模型引入了超70000小时的具身相关视频，覆盖机器人操作、导航及第一视角等场景。这些数据经过五维结构化标注，并采用课程式五阶段渐进训练，使模型循序渐进地掌握复杂的物理交互逻辑。
在训练机制上，模型搭建了分层强化学习奖励体系，从感知、物理和执行三个维度同步约束生成结果，确保物体不穿透、运动符合重力惯性以及机器人动作流程可落地。评测结果显示，LingBot-Video在多项视频生成任务中达到开源竞品的最高水平，并在具身领域得分中位居第一，同时在RBench上超越了业内通用视频生成标杆模型。
LingBot-Video的发布标志着视频模型正从内容生产工具向物理世界模拟器演进。该模型不仅为机器人训练提供低成本的数据引擎，还能作为策略评估器在虚拟环境中降低真实测试风险，并作为动作规划器辅助决策规划与异常预判。这表明视频生成技术正在向具身智能领域深度拓展，视频模型的演进正成为下一代机器人大脑构建的起点，为人工智能理解、预测并规划真实物理世界提供了关键的基础设施。
原文和模型
【原文链接】 阅读原文 [ 3031字 | 13分钟 ]
【原文作者】 量子位
【摘要模型】 qwen3.7-max-2026-05-20
【摘要评分】 ★★★★★
相关文章
