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，针对机器人与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，为视频基础模型从数字内容创作向具身智能领域拓展提供了全新开源底座。
在面向机器人操作视频的综合评测基准RBench上，LingBot-Video以0.620的总分超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）及Cosmos3 Super（0.581）等主流模型。该基准由北京大学联合字节跳动发布，重点考察模型生成机器人行为的物理合理性。测试结果显示，LingBot-Video在动作过程合理性与任务执行完整性方面表现尤为突出，其生成的机器人操作视频更贴近真实物理规律。
针对具身智能对物理世界建模的特殊需求，蚂蚁灵波在内部基准测试中从通用质量与具身领域两个维度对模型进行评估。对比NVIDIA Cosmos 3、Wan 2.2 A14B等五个开源模型，LingBot-Video在具身场景中展现出更强的物理理解能力与动作一致性，其生成的机器人移动、灵巧操作及第一视角交互视频更符合真实环境动态变化。
传统视频生成模型虽在画质与流畅度上取得显著进展，但往往难以反映真实物理规律，无法支撑机器人进行连续预测与任务规划。具身智能领域对模型提出了更高要求：既需具备高效推理能力以适应实时交互，又要能理解物理世界的变化规律。这一需求促使视频生成技术分化出两条发展路径——一条服务于影视内容创作，另一条则专注于物理世界的理解与交互。LingBot-Video的推出标志着蚂蚁灵波在后者方向上的重要探索。
该模型的创新体现在架构、数据与训练三个层面。架构上采用DiT+MoE设计，以MoE替代传统Dense架构，在扩大模型容量的同时将单次推理参数控制在3B左右（总参数达30B），推理效率较同等规模Dense架构提升约3倍。数据层面构建了数据画像引擎，在7万小时具身数据中融入VLA、VLN、Ego等机器人相关场景数据，覆盖灵巧操作、移动导航及第一视角交互等关键领域，帮助模型学习动作与环境变化的深层关联。训练阶段引入多维强化学习奖励系统，除常规美学、提示跟随等指标外，特别强化物理合理性与任务完成度的对齐，使生成结果更符合真实世界规律。
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、动作条件建模及世界模型研究等多个领域。其高效推理能力与物理建模优势，为具身智能的落地应用提供了新的技术路径。
