蚂蚁灵波开源 LingBot-World：面向具身智能的实时交互式世界模型

在推出空间感知与具身大模型之后，蚂蚁灵波团队现已将其交互式世界模型正式开源LingBot-World。该模型旨在为具身智能、自动驾驶等方向，提供一个高逼真、逻辑自洽、且可实时操控的“数字训练场”。

LingBot-World 直面具身智能训练中“真机数据稀缺、成本高”的关键难题。通过在虚拟环境中复现物理规律，智能体可以以低成本反复试错，并将学到的因果行为关系顺利迁移到现实世界。

该模型带来了多项关键技术亮点:

• 长时序一致性:可连续稳定生成近10分钟。即便镜头离开场景60秒再回到原处，物体的结构与外观仍能保持一致，有效缓解长视频中的“细节崩坏”问题。

• 高保真实时交互:支持动作条件生成（Action-conditioned generation），生成速度约 16FPS，端到端交互延迟控制在 1秒以内。用户可用键盘、鼠标或文本指令实时改变环境，例如调整天气或切换视角。

• Zero-shot 泛化能力:采用混合数据策略，结合网络视频与虚幻引擎（UE）合成管线训练。用户只需给出一张真实城市照片或游戏截图，模型即可产出相应的可交互视频流，无需针对特定场景再做额外训练。

目前，蚂蚁灵波团队已将LingBot-World的模型权重与推理代码全面开放。

Website:

https://technology.robbyant.com/lingbot-world

Model:

https://www.modelscope.cn/collections/Robbyant/LingBot-world

https://huggingface.co/collections/robbyant/lingbot-world

Code:

https://github.com/Robbyant/lingbot-world

划重点:

• 🌍 数字训练场:LingBot-World能够复现真实物理与因果关系，为 AI 机器人提供低成本的试错空间。

• ⏱️ 超长记忆力:支持最长近10分钟的逻辑一致性生成，告别长视频常见的“物体变形”现象。

• 🎮 实时操控感:具备约16FPS 的生成速率，实现毫秒级动作响应与环境即时反馈。

• 🖼️ 极简部署:具备 Zero-shot 能力，单张照片即可“变身”为可交互的 3D 模拟世界。