蚂蚁灵波近日正式开源了全球首个面向具身智能的开源视频生成基础模型——LingBot-Video。该模型基于Mixture-of-Experts（MoE）架构，针对机器人和具身智能的核心需求重新设计了视频预训练范式，在推理效率、物理合理性、动作理解及任务完成度等方面实现了系统性突破，为视频生成技术从数字内容创作向物理世界交互提供了全新的开源解决方案。
在面向机器人操作视频的综合评测基准RBench上，LingBot-Video以总分0.620的成绩超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）和Cosmos3 Super（0.581）等同类模型。RBench由北京大学联合字节跳动发布，重点评估模型生成符合真实物理规律的机器人行为的能力。这一结果证明，LingBot-Video在生成机器人相关视频时，能够更好地保持动作过程的合理性和任务执行的完整性。
传统视频生成模型虽在画质、流畅度和创意表达上取得显著进展，但往往难以反映真实物理规律，无法支撑机器人对物理世界的连续预测、规划和执行任务。具身智能不仅要求模型生成逼真的视频，还需具备高效推理能力，以适应实时交互和控制闭环的需求。这种需求推动了视频生成技术的分化：一条路径服务于内容创作，另一条则专注于物理世界的理解与交互。LingBot-Video正是蚂蚁灵波为后者开辟的新探索。
为验证模型对物理世界变化的建模能力，蚂蚁灵波在内部基准测试中从通用质量和具身领域两个维度对LingBot-Video进行了评估。结果显示，在具身领域，该模型的表现优于NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5和LTX-2.3等五个开源模型，展现出更强的物理理解和动作一致性。
LingBot-Video的创新体现在架构、数据和训练三个层面。在架构设计上，该模型采用DiT + MoE架构，以MoE替代传统Dense架构，在扩大模型容量的同时控制单次推理成本。其30B总参数模型在生成时仅激活约3B参数，推理效率是同等参数规模Dense架构的3倍，既保证了视觉表达能力，又满足了具身智能对高效推理的要求。
数据方面，LingBot-Video构建了数据画像引擎，在海量互联网视频基础上引入VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互等场景，总规模达7万小时。这些数据帮助模型学习动作与环境变化的关系，而非仅停留在视频表面纹理和视觉风格的模仿。
训练过程中，LingBot-Video引入了多维强化学习奖励系统。除美学、提示跟随和运动一致性等常规指标外，模型还围绕物理合理性和任务完成度进行对齐，使生成结果更符合真实世界规律，更贴近机器人在真实世界中完成任务的需求。
目前，LingBot-Video已正式开源，可应用于机器人动作预测、仿真数据生成、动作条件建模和世界模型研究等领域，为具身智能的发展提供了新的技术支撑。
