对标 Genie 3，蚂蚁灵波开源世界模型 LingBot-World，10分钟长视频无损生成

1 月 29 日，继连续发布空间感知与VLA基座模型后，蚂蚁灵波科技再次刷新行业预期，开源发布世界模型 LingBot-World。该模型在视频质量、动态程度、长时一致性、交互能力等关键指标上均媲美 Google Genie 3，旨在为具身智能、自动驾驶及游戏开发提供高保真、高动态、可实时操控的“数字演练场”。

（图说：LingBot-World在适用场景、生成时长、动态程度、分辨率等方面均处于业界顶尖水平）

针对视频生成中最常见的“长时漂移”问题（生成时间一长就可能出现物体变形、细节塌陷、主体消失或场景结构崩坏等现象），LingBot-World通过多阶段训练以及并行化加速，实现了近10 分钟的连续稳定无损生成，为长序列、多步骤的复杂任务训练提供支撑。

交互性能上，LingBot-World 可实现约 16 FPS 的生成吞吐，并将端到端交互延迟控制在 1 秒以内。用户可通过键盘或鼠标实时控制角色与相机视角，画面随指令即时反馈。此外，用户可通过文本触发环境变化与世界事件，例如调整天气、改变画面风格或生成特定事件，并在保持场景几何关系相对一致的前提下完成变化。

（图说：一致性压力测试，镜头最长移开60秒后返回，目标物体仍存在且结构一致）

（图说：高动态环境下，镜头长时间移开后返回，车辆形态外观仍保持一致）

（图说：镜头长时间移开后返回，房屋仍存在且结构一致）

模型具备 Zero-shot 泛化能力，仅需输入一张真实照片（如城市街景）或游戏截图，即可生成可交互的视频流，无需针对单一场景进行额外训练或数据采集，从而降低在不同场景中的部署与使用成本。

为解决世界模型训练中高质量交互数据匮乏的问题，LingBot-World 采用了混合采集策略：一方面通过清洗大规模的网络视频以覆盖多样化的场景，另一方面结合游戏采集与虚幻引擎（UE）合成管线，从渲染层直接提取无 UI 干扰的纯净画面，并同步记录操作指令与相机位姿，为模型学习“动作如何改变环境”提供精确对齐的训练信号。

具身智能的规模化落地面临一个核心挑战——复杂长程任务的真机训练数据极度稀缺。LingBot-World凭借长时序一致性（也即记忆能力）、实时交互响应，以及对"动作-环境变化"因果关系的理解，能够在数字世界中"想象"物理世界，为智能体的场景理解和长程任务执行提供了一个低成本、高保真的试错空间。同时，LingBot-World 支持场景多样化生成（如光照、摆放位置变化等），也有助于提升具身智能算法在真实场景中的泛化能力。

随着“灵波”系列连续发布三款具身领域大模型，蚂蚁的AGI战略实现了从数字世界到物理感知的关键延伸。这标志着其“基础模型-通用应用-实体交互”的全栈路径已然清晰。蚂蚁正通过InclusionAI社区将模型全部开源，和行业共建，探索AGI的边界。一个旨在深度融合开源开放并服务于真实场景的AGI生态，正加速成型。

目前，LingBot-World 模型权重及推理代码已面向社区开放。