10 分钟 AI 长视频！蚂蚁开源世界模型，直接对标谷歌 Genie3

2026-01-30 11:46:21

文章摘要

10 分钟 AI 视频不跑偏！蚂蚁开源新模型，免费用！

昨天，AI 圈又炸了一个大新闻。蚂蚁集团旗下的灵波科技放出了一个开源项目，名字叫 LingBot-World。这东西是干嘛的？简单说，就是能让 AI 生成超长视频，而且画面不会像其他模型那样越跑越歪。最夸张的是，它能稳定输出接近 10 分钟的连续视频内容，质量还能对标谷歌那个还没公开的 Genie3。关键是，这玩意儿完全开源，任何人都能免费用。

对于搞机器人、做游戏开发、或者研究 AI 的朋友来说，这绝对是个重磅消息。因为它不只是个视频生成工具，更像是一个可以让 AI 自由探索的虚拟训练场。

一、10 分钟连续生成，画质稳定不崩

它跟普通的视频生成模型完全不是一回事。

核心价值在于：还原真实的物理规律，支持实时互动。你可以把它想象成一个迷你数字宇宙，AI 或者人类都能在里面感知环境、做出动作，然后得到真实的反馈。这也是连接 AI 生成技术和机器人智能的核心桥梁。

它的核心组件叫 LingBot-World-Base，就是奔着这个目标去的：提供高清、可控、逻辑连贯的模拟环境。背后有个可扩展的数据引擎撑腰，从海量游戏环境中学习物理规律和因果关系，所以能跟生成的虚拟世界无缝实时互动。在视频质量、动态效果、长时间一致性、交互能力这四个核心指标上，都能看齐谷歌 Genie3 这个行业标杆。

长视频生成有个行业老大难问题：长时漂移。说白了就是视频生成久了，画面里的东西会变形、细节会糊掉，甚至主体消失、场景乱套。就像玩传话游戏，信息传得越久越走样，小误差越积越大。

但 LingBot-World 搞定了这个难题。通过多阶段训练和并行加速技术，它能连续生成将近 10 分钟、画质完全不打折的视频。而且还通过了一个严苛的一致性测试：就算镜头离开目标物体 60 秒，再切回来看，不管是车、房子还是小物件，样子和结构都能保持一致，不会记混。

交互流不流畅，更能看出它的真实水平。这个模型能做到每秒生成 16 帧画面，端到端交互延迟不到 1 秒，完全达到实时可玩的级别。你既可以用键盘、鼠标，像玩 3A 大作一样实时控制角色移动、调整摄像机视角，画面会跟着你的操作立刻做出反应。也可以用文字指令下命令，比如切换天气、改变画面风格、生成烟花特效都没问题。而且这些变化都能保持场景的几何关系不乱，不会出现逻辑断层或者画面违和的情况。

镜头长时间移开后返回，房屋仍存在且结构一致

这么强的能力，离不开它独特的混合数据采集策略和三阶段训练体系。世界模型训练最缺的就是高质量交互数据，这是个大难题。LingBot-World 采用了双管齐下的办法：一边清洗海量网络视频，覆盖各种真实场景；一边通过游戏采集和虚幻引擎（UE）合成，从渲染层提取没有 UI 干扰的干净画面，同时记录操作指令和相机位置。这样就能给模型提供精准的训练信号，帮它搞懂动作如何改变环境。

另外，团队还做了分层标注，把视频描述拆成叙事、静态场景、密集时序三个层次，帮模型分清背景和运动，学习效率更高更准确。

三阶段训练，一步步解锁核心能力。第一阶段预训练，打好通用视频生成的基础，实现高清纹理和逼真光影。第二阶段中期训练，引入混合专家模型架构，让模型深度理解物理规律、记住空间信息，解决长视频生成记不住的问题。第三阶段后期训练，通过因果注意力机制和少步蒸馏技术，把推理改成自回归生成，既保持画质，又把交互延迟压到 1 秒内，实现真正的实时响应。

也正因如此，它的零样本泛化能力特别强。只要输入一张城市街景或者游戏截图，不用额外训练，就能生成对应的可交互视频流，大大降低了在不同场景部署和使用的成本。

二、机器人智能基础设施的关键拼图

这款开源模型，正好戳中了机器人智能规模化落地的痛点。现在，复杂长任务的真机训练，要么缺数据，要么成本高得吓人，还存在安全风险。而 LingBot-World 凭借长时间一致性、实时交互能力，以及对动作与环境变化因果关系的深度理解，能在数字世界里精准模拟物理世界。

这就给智能体提供了一个低成本、高逼真的试错空间，智能体可以在里面反复练习长任务、积累经验。同时，它还能生成各种不同场景，调整光照、物体摆放都可以，能帮机器人算法更好地适应真实环境。

从行业布局来看，LingBot-World 的开源不是孤立的一步，而是蚂蚁灵波完善机器人智能基础设施的关键操作。之前，蚂蚁已经开源了机器人的眼睛——LingBot-Depth（感知层面，补全深度图、精准识别环境）和机器人的大脑——LingBot-VLA（决策层面，提高任务成功率和适配能力）。

而 LingBot-World 就是机器人的训练场，三者组合在一起形成闭环：VLA 可以在虚拟环境里反复推演，Depth 可以利用它生成的连贯视频优化训练，真实世界的反馈又能帮助它提升模拟精度，实现 1+1+1>3 的效果。蚂蚁从基础模型到通用应用再到实体交互的全栈 AGI 技术路线，也越来越清晰了。