LingBot-World 2.0：多人同服AI世界，14B/1.3B双模型开源

这个夏天，现象级电影《后室》凭借单一封闭空间的叙事拿下超高票房，没有超级英雄、华丽大场面，仅靠霉旧地毯、嘶嘶日光灯和泛黄墙纸构成的无尽长廊，就抓住了全球观众的情绪。但几乎与此同时，有团队用AI打造了更颠覆的体验：他们让你能亲手走进这个虚拟的黄色长廊，实时感受沉浸式的探索乐趣。

这款刚刚正式开源的新一代实时交互世界模型LingBot-World 2.0，一经推出就登上全球社区热榜，其颠覆性能力让行业惊叹。用户只需上传一张图片，就能一键生成对应场景的虚拟世界，并且可以自由探索、交互，让静态画面真正“活”起来。

让世界持续存在：从十分钟到小时级的突破

长期以来，视频世界模型都面临致命痛点：随着生成时间拉长，场景中的物体会逐渐扭曲、细节塌陷，甚至整体结构崩坏，刚刚搭建的场景可能转一圈就变成废墟，连基本的“记忆”都不存在。

初代LingBot-World已经实现近十分钟的连续无损生成，而2.0版本直接将时长提升到小时级，且长时间运行下画质无可见衰减。这意味着虚拟世界终于拥有了真正的“持续存在”能力，不再是短暂的片段。

用户可以将自己置身雪山群峰之间，乘滑翔伞俯瞰翠绿山谷，视野连绵不绝；也可以上传莫奈的《印象·日出》，让静态油画向外延伸出完整的港口、建筑与水波场景，所有元素无缝衔接，保持空间一致性。

在神庙废墟中以第一视角环顾，日光穿过石柱的光影变化自然真实，建筑群不会出现常见的扭曲形变；骑马穿越游戏世界时，脚下草地实时向后延伸，天际线外的巨型天体和城堡始终屹立，每一次视角转动都能得到严丝合缝的反馈。

720p/60fps：跨过可交互的生死线

如果说时长决定了世界的耐力，那么帧率和延迟就决定了世界的“手感”。一个真正可交互的世界，必须对用户的每一次操作给出即时反馈，哪怕半秒的延迟都会打破沉浸感。

LingBot-World 2.0在720p分辨率下实现稳定60fps的实时生成，转身、加速、急停等操作几乎没有延迟。即使在沙漠滑沙这类高速移动的复杂场景，或是同时渲染霸王龙逃生、火山喷发、陨石坠落的大片级灾难场景，都能精准把控动态光影和环境交互，保持流畅画面表现。

从移动到行动：重构世界交互维度

初代版本的交互仅局限于移动和视角转换，而2.0大幅扩容了动作库，加入攻击、施法、射击等复杂交互。用户可以生成一个戴尖顶帽的巫师，在雾气弥漫的街头释放法术，按下对应按键就能触发华丽的攻击特效，瞬间拉满沉浸感。

在第一视角射击场景中，系统会根据交战距离和战况，实时生成最契合的战斗反馈，从近战挥砍到远程射击，搭配飞溅的火花和爆炸光影，玩家可以一路摧枯拉朽，对抗重装机甲、魔法巨兽乃至最终Boss。

更强大的是文本驱动的事件注入能力：当探险家进入幽暗洞穴时，只需在控制台输入“突然出现一群蝙蝠”，就能看到蝙蝠群从深处扑面而来，与角色产生真实的物理互动；输入“变成冰窟”，岩洞会瞬间冻结成湛蓝冰晶，全新的极寒秘境就此展开。

甚至在创建初始世界时，就能直接绑定交互规则：比如创造一只云海滑翔的雄鹰，将“翅膀闪耀”“风暴袭来”“急速侧转”分别绑定到1、2、3按键，让世界的交互更加个性化。

内置双Agent：让世界自己“生长”

在此之前的实时世界模型都是被动的，一旦失去外部输入，世界就会陷入停滞。而2.0版本加入了Agentic Harness架构，让世界拥有了自主性：即使用户不操作，世界也会自行演化，天气变化、角色移动、随机事件都会主动发生。

比如上传一张静态油画，不需要额外操作，画中的服务员会端上咖啡，街边会出现熙攘的行人和穿梭的车辆，一个原本静止的画面会自然地“生长”出完整的生活场景，故事开始自我繁衍。

这套架构采用了“大脑-小脑”的协同设计：视觉语言模型作为“大脑”，负责宏观语义规则和因果推理，持续观察当前画面、预判行为后果，抛出明确的事件提案；底层视频生成模型作为“小脑”，将语义决策转化为符合物理直觉的流畅画面。

具体来说，框架内运行了两个各司其职的Agent：Pilot Agent负责规划和执行角色行为，就像演员；Director Agent则像隐形导演，根据当前世界状态实时生成新的事件和环境元素。两者结合，让“逐帧预测器”真正变成了一个自我维持、目标驱动的开放世界。

你影响世界，世界回应你，带来源源不断的惊喜。这也是2.0与传统生成模型最核心的区别——从“被动响应”到“主动演化”。

因果驱动的双层架构：解决长时稳定的核心

LingBot-World 2.0的核心突破，根植于“因果”二字。团队引用大卫·休谟《人性论》中的观点：原因必先于结果，未来由过去塑造，这一哲学原则被直接写入模型架构。

团队将世界模拟形式化为沿时间轴的因果生成过程，每个状态仅依赖历史上下文与当前输入，并且在训练全程强制这种因果性，从根源上解决长时漂移问题。

架构采用“教师-学生”两阶段设计：首先预训练“教师模型”，打造能长时间稳定、可被动作精确控制的因果世界模型。为抑制长序列的过拟合和画质塌陷，团队设计了MoBA（双向与自回归混合）注意力掩码，在保证只能“看过去、不偷看未来”的前提下，为模型补充全局视野，实现抗漂移核心目标。

但强大的教师模型速度较慢，无法满足实时生成需求，因此团队通过后训练阶段蒸馏出“学生模型”：用一致性蒸馏压缩去噪步数，再通过分布匹配蒸馏提升画质、压制漂移，同时在模型长时间运行的轨迹上做校正，进一步压住累积误差。

这种稳定是结构性的，而非单次片段的运气。

不止于好玩：开放世界的无限可能

当世界可以持续运行、自主演化并支持多人共享，其价值远超娱乐本身。首先改变的就是游戏和创作行业：过去开发开放世界需要团队预先搭建所有地图、剧情和事件，而在LingBot-World 2.0中，只需开启服务器，世界就能自行生长，剧情无需提前编排，玩家走到哪里，世界就演化到哪里。创作者也无需逐帧抠画面，而是像导演一样，通过Action和Event调度一个会自行运转的片场。

此外，高保真的虚拟世界也是机器人训练的理想场地：真实世界中让机器人试错的成本极高，而在数字演练场中，可以低成本运行上千万次训练。自动驾驶领域同样如此，AI世界可以模拟各种极端路况，让系统在虚拟环境中反复练习，形成应对突发情况的“肌肉记忆”。

对于学术圈来说，2.0更是一块开源的公共地基：一个事件驱动、自主演化的世界底座，为相关研究提供完整测试平台，任何人都可以基于此进行后续探索。

多版本开源，消费级显卡也能跑

LingBot-World 2.0提供两个开源版本：14B主模型面向最强画质、复杂交互场景，适合研究验证；1.3B轻量模型则专为普及设计，只需一张消费级显卡就能轻松部署，让更多用户都能体验实时交互世界的魅力。

目前，模型权重、代码与在线体验入口已随技术报告一并放出，相关资源包括：

Website：https://technology.robbyant.com/lingbot-world-v2

Model：https://huggingface.co/collections/robbyant/lingbot-world-v2、https://modelscope.cn/collections/Robbyant/LingBot-World-V2

Code：https://github.com/Robbyant/lingbot-world-v2

在线体验地址：https://www.reactor.inc/lingbot-world-v2

Tech Report：https://github.com/Robbyant/lingbot-world-v2/blob/main/paper.pdf

用户还可以通过相关应用的“世界模型”功能，在手机上直接走进这个AI生成的虚拟世界。

塔猴是一个专注于为用户提供系统学习、内容创作与商业连接的AIGC综合服务平台，致力于为每一位AI探索者打造理想的创作、成长家园。在塔猴，你不仅可以学习众多AIGC类实战课程，获得与时俱进的AIGC技能和视野，还有机会获得长期商业合作和接单机会！点击进入：https://www.tahou.com/

AI生成内容提示：本文由人工智能辅助创作，内容仅供参考，不代表平台观点。请注意核实信息的准确性，并理性判断。