蚂蚁灵波开源世界模型 LingBot-World：高保真高动态，毫秒级实时互动

1月29日，在接连推出空间感知与 VLA 基座模型之后，蚂蚁灵波科技再度提升行业预期，正式开源世界模型 LingBot-World。该模型在画质、动态表现、长时一致性与交互能力等关键指标上可与 Google Genie3 相媲美，旨在为具身智能、自动驾驶与游戏开发提供一个高保真、高动态、可实时操控的“数字试验场”。

（图说:LingBot-World 在适用场景、生成时长、运动强度与分辨率等方面达到业界顶尖水准）

面向视频生成中常见的“长时漂移”难题（生成时长一拉长就可能出现物体变形、细节塌陷、主体消失或场景结构紊乱等），LingBot-World 通过多阶段训练与并行加速，实现了接近 10 分钟的连续、稳定、近无损生成，为长序列、多步骤的复杂任务训练提供坚实支撑。

在交互层面，LingBot-World 的生成吞吐约为 16FPS，端到端交互时延压缩至 1 秒以内。用户可用键盘或鼠标实时操控角色与相机视角，画面即时响应指令。同时支持通过文本触发环境与世界事件的变化，如调节天气、切换画面风格或生成特定事件，并在尽量保持场景几何关系稳定的前提下完成变更。

（图说:一致性压力测试，相机最长离开 60 秒后回看，目标物体仍在且结构保持一致）

（图说:高动态场景下，镜头长时间移开后再回看，车辆形态与外观依旧一致）

（图说:镜头远离多时后返回，房屋依然存在，结构未变）

模型具备 Zero-shot 泛化能力，只需输入一张真实照片（如城市街景）或游戏截图，即可生成可交互的视频流，无需为某个单一场景做额外训练或数据采集，从而显著降低在不同场景的部署与使用成本。

为破解世界模型训练中高质量交互数据稀缺的问题，LingBot-World 采用混合采集方案：一方面清洗大规模网络视频以覆盖多元场景；另一方面结合游戏采集与虚幻引擎（UE）合成管线，从渲染层直接获取无 UI 干扰的清洁画面，并同步记录操作指令与相机位姿，为模型学习“动作如何改变环境”提供精确对齐的训练信号。

具身智能大规模落地的核心难点之一，是复杂长程任务的真机训练数据极度稀少。凭借长时序一致性（即记忆力）、实时交互响应，以及对“动作-环境变化”因果关系的理解，LingBot-World 能在数字世界中“想象”物理世界，为智能体的场景理解与长程任务执行提供低成本、高保真的试错空间。同时，LingBot-World 支持多样化场景生成（如光照、摆放位置变化等），有助于提升具身智能算法在真实环境中的泛化能力。

随着“灵波”系列连续推出三款聚焦具身领域的大模型，蚂蚁的 AGI 战略实现了从数字世界走向物理感知的关键延伸，其“基础模型—通用应用—实体交互”的全栈路径日益清晰。蚂蚁正通过 InclusionAI 社区将相关模型全面开源，与行业共同建设，探索 AGI 的边界。一个深度融合开源开放、服务真实场景的 AGI 生态，正在加速成形。

目前，LingBot-World 的模型权重与推理代码已向社区开放。