7月9日，蚂蚁灵波正式发布开源视频生成基础模型lingbot-video。该模型基于mixture-of-experts（moe）架构，专为具身智能场景深度优化，聚焦机器人实际应用需求，重构视频预训练范式，在推理速度、物理一致性、动作语义理解及任务闭环能力等关键维度实现系统性突破，标志着视频基础模型正从通用内容生成迈向具身智能新阶段。
在由北京大学与字节跳动联合构建的机器人操作评测基准RBench中，LingBot-Video以0.620的综合得分位居榜首，显著优于Wan2.6（0.607）、Seedance1.5 Pro（0.584）和Cosmos3Super（0.581）。RBench专为评估机器人行为视频的真实性而设，核心考察生成动作是否符合力学约束、空间交互逻辑与任务目标导向。LingBot-Video在此项测试中的领先表现，印证其在机器人动作建模中具备更强的物理可信度与任务执行完整性。
（图说：LingBot-Video在RBench上性能最优）
为更全面检验其对现实世界动态演化的建模能力，蚂蚁灵波还设计了内部多维评测体系，涵盖通用视频质量与具身领域专项能力两大方向。对比NVIDIACosmos 3、Wan2.2 A14B、LongCat-Video、HunyuanVideo 1.5及LTX-2.3等主流开源视频模型，LingBot-Video在具身相关任务中均展现出明显优势。
（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）
近年来，视频生成技术在图像细节、时序连贯性与创意多样性方面持续跃升；但对具身智能而言，仅“视觉逼真”远远不够——一段流畅却违背重力、碰撞或因果逻辑的视频，无法支撑机器人进行连续感知、动态规划与实时执行。此外，低延迟响应与高吞吐推理也成为具身系统落地的关键瓶颈。
由此，视频生成技术正加速分化出两条发展路径：一条面向影视与创意产业，追求沉浸式美学表达；另一条则锚定物理世界，致力于构建可推理、可交互、可部署的具身认知底座。LingBot-Video正是蚂蚁灵波在后者方向上的关键布局与实践突破。
该模型在架构设计、数据构建与训练策略三大层面完成协同创新：
架构层面，LingBot-Video采用DiT主干+MoE稀疏激活结构，以专家路由机制替代传统全连接密集计算。其30B总参数模型在单次推理中仅激活约3B参数，相较同规模Dense模型推理效率提升近3倍，在保障强大表征能力的同时，满足具身系统对低时延、高并发的实际需求。
数据层面，团队研发专用数据画像引擎，不仅整合海量互联网视频资源，更系统引入VLA（视觉-语言-动作）、VLN（视觉-语言导航）、Ego-centric（第一人称视角）等机器人领域高质量数据，覆盖灵巧抓取、自主移动、人机协作等典型场景，最终构建起规模达7万小时的具身视频语料库。这些数据使模型真正学习“动作如何改变环境”，而非仅拟合像素级运动模式。
训练层面，LingBot-Video首创多目标强化学习奖励机制。除传统美学质量、文本对齐度与运动平滑性外，新增物理合理性（如接触力反馈、物体稳定性）与任务完成度（如目标达成、步骤完整性）两大核心奖励信号，驱动模型输出更贴近真实物理规律、更具功能意义的动作序列。
目前，LingBot-Video已开放全部代码与权重，支持机器人动作预测、仿真环境扩增、条件化动作建模、世界模型预训练等多种前沿研究与工程应用场景。
