蚂蚁灵波近日宣布开源全球首个面向具身智能的Mixture-of-Experts（MoE）架构视频生成模型LingBot-Video，为机器人领域提供全新开源技术底座。该模型通过重构视频预训练范式，在物理合理性、动作连贯性及任务完成度等核心指标上实现突破，标志着视频生成技术从数字内容创作向物理世界交互迈出关键一步。
在权威评测基准RBench中，LingBot-Video以0.620的综合得分超越Wan2.6（0.607）、Seedance 1.5 Pro（0.584）等主流模型。该基准由北京大学联合字节跳动开发，专门评估机器人操作视频的物理真实性。测试结果显示，新模型在机械臂抓取、工具使用等复杂场景中，动作轨迹更符合牛顿力学定律，任务中断率降低37%。内部benchmark对比实验进一步验证，在具身智能专项测试中，LingBot-Video的物理建模精度较NVIDIA Cosmos 3等模型提升22%，动作一致性指标领先18%。
针对具身智能的特殊需求，研发团队在技术架构上实现三大创新。采用DiT+MoE混合架构，通过动态参数激活机制将300亿参数模型的推理成本控制在30亿参数水平，推理速度较传统Dense架构提升3倍。数据工程方面，构建包含7万小时机器人操作视频的专用数据集，涵盖灵巧操作、移动导航和第一视角交互三大场景，其中23%的数据来自真实工业机器人日志。训练阶段引入多维强化学习框架，除常规美学指标外，新增物体运动轨迹预测、接触力反馈等12项物理约束条件。
技术文档显示，LingBot-Video已形成完整的应用生态。在机器人开发领域，该模型可生成包含精确力学参数的仿真训练数据，使机械臂学习效率提升40%；在世界模型研究中，其物理引擎模块能准确预测物体碰撞后的运动状态，误差率低于8%。开源社区反馈显示，已有开发者将其应用于无人机避障算法训练和医疗机器人手术路径规划。
与传统视频生成模型不同，LingBot-Video专门优化了实时交互能力。在1080P分辨率下，模型可实现每秒15帧的连续预测输出，端到端延迟控制在200毫秒以内，满足机器人控制闭环的时序要求。实验表明，搭载该模型的四足机器人在复杂地形行走时，步态规划成功率较基线模型提高29%，能源消耗降低18%。
目前，LingBot-Video已在GitHub和Hugging Face平台完整开源，包含预训练权重、数据构建工具链和物理引擎适配接口。开发团队表示，将持续更新多模态感知模块，未来版本将支持触觉、力觉等传感器数据的实时融合，进一步缩小虚拟仿真与真实物理世界的差距。
