蚂蚁灵波开源可交互的世界模型LingBot-World

IT之家 1 月 29 日消息，蚂蚁集团旗下具身智能公司 —— 蚂蚁灵波科技今日宣布开源世界模型 LingBot-World。

LingBot-World 是一个专为交互式世界模型设计的开源框架。其核心 LingBot-World-Base 致力于提供高保真、可控制且逻辑一致的模拟环境。该模型由一个可扩展数据引擎（Scalable Data Engine）驱动，通过从大规模游戏环境中学习物理规律与因果关系，实现了与生成世界的实时交互。

在视频质量、动态程度、长时序一致性与交互能力等关键指标上，LingBot-World 均展现出业界领先的性能。

视频生成领域普遍存在“长时漂移”问题，即生成时间一长，便可能出现物体变形、细节塌陷、主体消失或场景结构崩坏等现象。针对这一难题，LingBot-World 通过多阶段训练及并行化加速策略，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。

在官方的压力测试中，即便镜头移开长达 60 秒后返回，场景中的核心物体依然能保持其结构与外观的一致性。

▲ 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

▲ 镜头长时间移开后返回，房屋仍存在且结构一致

LingBot-World 告别了随机的“幻觉”式生成。它支持精细化的、由动作驱动的生成（action-conditioned generation），能够响应用户指令，渲染出符合物理真实感的动态场景。

此外，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。这意味着，用户可以通过键盘或鼠标实时控制角色与相机视角，画面能够根据指令即时反馈。

模型还支持通过文本指令触发环境变化与世界事件，例如调整天气、改变画面风格，并在保持场景几何关系相对一致的前提下完成动态生成。

为解决世界模型训练中高质量交互数据匮乏的问题，LingBot-World 采用了一种创新的混合数据采集策略：

• 一方面，通过清洗大规模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，并同步记录下操作指令与相机位姿。

得益于此，LingBot-World 具备了更好的 Zero-shot 泛化能力。仅需输入一张真实的城市街景照片或游戏截图，模型即可生成对应的可交互视频流，无需针对单一场景进行额外训练，降低了在不同场景中的部署与使用成本。

目前，LingBot-World 模型权重及推理代码已全面开源，IT之家附开源地址如下：