全球首个MoE视频生成模型LingBot-Video开源 服务具身智能
当前AI视频生成技术正迎来细分赛道的精准分化，过去通用模型多聚焦影视内容创作，但面向具身智能的专用底座却长期缺位。7月9日，蚂蚁灵波正式开源LingBot-Video，这款全球首个基于Mixture-of-Experts（MoE）架构的具身智能专用视频生成基础模型，围绕机器人与具身智能的核心需求重构了视频预训练范式，在推理效率、物理合理性、动作理解与任务完成度等维度实现了系统性突破，为视频基础模型从数字内容创作向具身智能落地打通了全新的开源路径。
在第三方权威评测方面，这款模型在北京大学联合字节跳动发布的RBench机器人操作视频评测基准中拿下0.620的总分，领先Wan2.6的0.607、Seedance1.5 Pro的0.584以及Cosmos3 Super的0.581。作为专门面向机器人操作视频的综合评测工具，RBench的核心考核逻辑是验证模型生成的机器人行为是否符合真实物理规律，这一成绩足以证明LingBot-Video在生成机器人相关视频时，能够更好地维持动作逻辑的合理性与任务执行的完整性。
为了进一步验证模型对物理世界变化的建模能力，蚂蚁灵波还搭建了内部评测基准，从通用质量与具身领域两个维度展开全面测试。对比NVIDIA Cosmos3、Wan2.2 A14B、LongCat-Video、Hunyuan Video1.5、LTX-2.3等五款主流开源模型后，LingBot-Video在具身相关场景中的表现全面领先，展现出更强的物理理解能力与动作一致性。
回顾行业发展，过去几年通用视频生成模型在画质、流畅度与创意表达上实现了快速迭代，但这类模型往往只追求视觉层面的逼真效果，无法准确反映真实物理世界的运行规则，难以支撑机器人的连续预测、规划与实际任务执行。同时，具身智能场景对模型的推理效率有极高要求，需要适配实时交互与控制闭环的需求，这也让视频生成技术逐渐分化出两大演进方向：一类面向影视内容创作，另一类则聚焦机器人领域的物理世界理解、预测与交互。LingBot-Video正是蚂蚁灵波在第二条路线上的核心探索成果。
LingBot-Video的技术突破主要来自架构、数据与训练三个维度的系统性创新。
在架构设计上，LingBot-Video采用DiT+MoE的混合架构，用MoE替代了传统的密集型Dense架构。这种设计在扩大模型整体容量的同时，有效控制了单次推理的计算成本——这款总参数量30B的模型，在实际生成过程中仅激活约3B的参数，相比同等规模的密集架构模型，推理效率提升了约3倍。既保留了大规模参数带来的优质视觉表达能力，又完美适配了具身智能对高效推理的严苛要求。
在数据构建层面，LingBot-Video搭建了专属的数据画像引擎。训练数据不仅来自海量互联网视频，还额外引入了VLA、VLN、Ego等机器人相关数据集，覆盖灵巧操作、机器人移动、第一视角交互等多个细分场景，总数据规模达到7万小时的具身专属数据。这些数据帮助模型学习动作与环境变化的内在关联，而非仅停留在学习视频的表面纹理与视觉风格层面。
在训练优化环节，LingBot-Video引入了多维强化学习奖励系统。除了美学效果、prompt跟随度、运动一致性等常规评估指标外，模型还专门针对物理合理性与任务完成度进行了对齐优化，让生成的视频内容更符合真实世界的运行规律，也更贴近机器人在实际场景中完成任务的需求。
目前，LingBot-Video已经正式开源，可广泛应用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等多个具身智能相关领域，为行业开发者提供了低成本接入具身智能视频生成技术的优质底座。
