7月9日，蚂蚁灵波科技正式开源了LingBot-Video。这并非普通的视频生成模型——它是全球首个基于混合专家（Mixture-of-Experts）架构、专为具身智能场景打造的开源视频基础模型。

先来了解背景。近年来，视频生成模型在画质、流畅度及创意表达方面取得了显著进步，这一点毋庸置疑。然而，对于具身智能而言，一个画面精美、动作连贯的视频并不一定能准确反映真实物理规律。换句话说，这类视频可能只是“好看的皮囊”，难以支撑机器人进行连续的预测、规划与任务执行。更关键的是，具身智能对模型的推理效率提出了更高要求，才能满足实时交互与控制闭环的需求。

这使得视频生成领域开始分化出两条截然不同的演进路径：一条面向影视娱乐，服务于内容创作；另一条面向机器人，致力于物理世界的理解、预测与交互。LingBot-Video正是沿着后一条路线迈出的关键一步——它围绕具身智能的核心需求，重新定义了视频预训练范式，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提升。

架构、数据与训练的系统性创新

针对具身智能面临的独特挑战，LingBot-Video从架构、数据与训练三个维度展开了系统性创新设计。

架构：DiT + MoE 设计

核心思路是用MoE（混合专家）替代传统的Dense架构。这一设计的优势在于：在扩大模型容量的同时，显著控制了单次推理成本。LingBot-Video拥有30B总参数，但在生成时仅激活约3B参数，相比同等参数规模的Dense架构，推理效率提升了约3倍。这意味着模型既能从大规模参数中获取扎实的视觉表达能力，又不会被推理负担所拖累，更契合具身智能对高效推理的内在需求。

数据：数据画像引擎与7万小时具身数据

在数据层面，研究团队构建了一套数据画像引擎。除了海量互联网视频之外，还引入了VLA（视觉-语言-动作）、VLN（视觉-语言导航）以及Ego（第一人称视角）等机器人相关数据。这些数据覆盖了灵巧操作、机器人移动和第一视角交互等多个场景，总时长达到7万小时。关键在于：这些数据帮助模型学习的是“动作与环境变化之间的因果关系”，而非仅仅学习视频的表面纹理和视觉风格——后者恰恰是许多通用视频模型的薄弱之处。

训练：多维强化学习奖励系统

训练环节引入了多维强化学习奖励系统。除了美学质量、提示词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了专项对齐。特别值得关注的是，团队引入了真实世界视频作为偏好信号，使得生成结果不仅符合真实物理规律，也更贴近机器人在实际场景中完成任务的需求。

模型效果评估

从基准测试结果来看，LingBot-Video的表现颇具说服力。在北京大学与字节跳动联合发布的RBench基准测试中，LingBot-Video总分达到0.620，超越了Wan2.6（0.607）、Seedance 1.5 Pro（0.584）以及Cosmos3 Super（0.581）。RBench是专门针对机器人操作视频的综合评测基准，重点评估模型能否生成符合真实物理规律的机器人行为。这一结果表明，LingBot-Video在生成机器人相关视频时，能够更好地保持动作的合理性与任务执行的完整性。

为更全面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中从通用质量和具身领域两个维度展开评估。结果显示，LingBot-Video在具身领域的表现优于NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3等主要基线模型。此外，在针对物理现象生成与预测的Physics-IQ Verified评测中，LingBot-Video同样位列第一。

从应用视角来看，LingBot-Video可用于机器人动作预测、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——对于具身智能领域的研究者和开发者而言，它是一个值得关注的全新工具箱。