2025年7月9日，蚂蚁灵波正式开源LingBot-Video——这是全球首个基于MoE（混合专家）架构、专为具身智能打造的​视频生成基础模型。不同于传统视频生成服务于影视或短视频创作，LingBot-Video从底层重新设计了视频预训练范式，聚焦机器人与具身智能的核心需求。在推理效率、物理合理性、动作理解与任务完成度等关键维度上，该模型均实现了系统性提升。可以说，它为视频基础模型从数字内容创作迈向具身智能，提供了一个全新的开源底座。

用数据说话。在​北京大学与字节跳动联合发布的RBench基准测试中，LingBot-Video综合得分达到0.620，超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）以及Cosmos3 Super（0.581）。RBench专门用于评估机器人操作视频的质量，核心考察模型能否生成符合真实物理规律的机器人行为。这一成绩表明：LingBot-Video在生成机器人相关视频时，能够更准确地保持动作过程的合理性与任务执行的完整性。

图说：综合评测结果表明，LingBot-Video在具身相关场景中展现出更强的物理理解与动作一致性能力

近年来，视频生成模型在画质、流畅度与创意表达上进步显著，但问题也随之凸显：对具身智能而言，一个画面逼真、动作流畅的视频很可能完全违背真实物理规律。这样的视频若用于机器人预测、规划或任务执行，结果并不可靠。更关键的是，具身智能还要求模型具备足够高的推理效率，才能适应实时交互与控制闭环的需求。

由此可见，视频生成赛道事实上已分化为两个截然不同的方向：一端通往影院，服务于内容创作；另一端通往机器人，服务于物理世界的理解、预测与交互。LingBot-Video正是蚂蚁灵波在具身智能这条新路径上的一次重要探索与布局。

那么，LingBot-Video究竟如何实现突破？核心创新集中在架构、数据与训练三个层面。

架构上：MoE让推理效率翻倍

LingBot-Video采用DiT + MoE的设计，用混合专家架构替代传统的密集（Dense）架构。这一变化带来的优势十分显著：在扩大模型容量的同时，有效控制了单次推理成本。具体而言，该模型总参数量达30B，但生成时仅激活约3B的参数。与同等规模下的Dense架构相比，推理效率提升约3倍。这样一来，模型既保留了大规模参数带来的视觉表达能力，又满足了具身智能对高效推理的硬性要求——这是实现落地应用的关键所在。

数据上：7万小时具身数据加持

训练数据的质量直接决定了模型能力的天花板。LingBot-Video构建了一套数据画像引擎，在常规海量互联网视频的基础上，进一步引入了VLA、VLN、Ego等机器人相关数据。这些数据覆盖灵巧操作、机器人移动、第一视角交互等真实场景，总规模达到7万小时。这批高质量数据帮助模型真正学会理解动作与环境变化之间的因果关系，而不再局限于视频的表面纹理与视觉风格。

训练上：多维强化学习对齐物理现实

仅有架构和数据还不够，训练策略同样需要跟进。LingBot-Video引入了一套多维强化学习奖励系统，除了常见的​美学、prompt跟随、运动一致性等指标外，还专门围绕物理合理性与任务完成度进行对齐。目的非常明确：让生成结果更符合真实世界规律，也更贴近机器人在实际环境中完成任务的需求。

值得关注的是，LingBot-Video的应用场景相当广泛，涵盖机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等多个方向。目前该模型已正式开源，意味着整个行业都能基于这一底座进行二次开发与创新。对于具身智能领域而言，这无疑是一个值得期待的起点。