7月9日，蚂蚁灵波扔出一枚重磅冲击波——正式开源了LingBot-Video，号称全球首个基于混合专家（MoE）架构、专为具身智能定制的视频生成基础模型。简单说，这东西不是为了做酷炫短视频的，而是让机器人学会看懂、预测、执行真实物理世界里的任务。它重构了视频预训练范式，在推理速度、物理合理性、动作语义理解以及任务执行完整性这些关键指标上实现了系统性突破。这标志着视频基础模型正在从数字内容生产向真实物理世界交互迈进，也为行业提供了第一个面向具身智能的高质量开源底座。

效果怎么样？在由北京大学联合字节跳动构建的机器人操作视频评测基准RBench上，LingBot-Video以总分0.620领跑，明显甩开了Wan2.6（0.607）、Seedance1.5Pro（0.584）和Cosmos3Super（0.581）。这个基准专门评估生成视频是否符合现实世界的物理约束和机器人行为逻辑。能拿下第一，说明它在生成机器人操作类视频时，动作合理性保障和端到端任务完成能力都更强。

（图说：LingBot-Video 在 RBench 基准中综合表现最优）

除了第三方基准，蚂蚁灵波自己还搞了一套内部测试，从通用视频质量和具身任务适配性两个维度，横向对比了NVIDIA Cosmos3、Wan2.2A14B、LongCat-Video、Hunyuan Video1.5、LTX-2.3这五大主流开源模型。结果很直观：LingBot-Video在具身相关场景下全面超越各个基线模型。

（图说：多维评测表明，LingBot-Video 在具身任务中展现出更优的物理规律遵循性与动作连贯性）

这些年视频生成技术在画质清晰度、运动流畅性和艺术表现力上突飞猛进，但对具身智能来说，光有“好看”远远不够。一段视频如果缺乏真实的物理因果支撑，机器人根本没法拿它来训练连续感知、实时规划和可靠执行。更何况，具身应用场景对模型响应延迟、计算开销和部署灵活性提出了更严格的要求。

正因如此，视频生成技术正悄然分化出两条演进路径：一条通往影视工业，服务创意表达和内容消费；另一条驶向机器人本体，致力于理解、预测甚至干预物理世界。LingBot-Video就是蚂蚁灵波锚定后者所发起的关键探索。

这款模型在架构设计、数据构建与训练策略三大层面实现了协同创新。

架构层面

LingBot-Video走的是DiT（Diffusion Transformer）与MoE融合的技术路线。说人话就是用稀疏激活的专家机制替代传统的稠密结构——模型总参数量做到了30B，但实际生成时只需要激活大约3B参数，推理速度比同规模的Dense模型快了将近3倍。这种“大而快”的特性，既保留了大规模参数带来的强表征能力，又能满足具身智能场景对低延迟响应的高要求。

数据层面

团队搭建了专属的数据画像引擎，除了广泛采集互联网公开视频，还深度整合了VLA（视觉-语言-动作）、VLN（视觉与语言导航）、第一人称视角等机器人领域数据源，覆盖灵巧抓取、自主导航、人机协同交互等典型具身场景。最终构建起高达7万小时的高质量具身视频数据集。这些数据让模型不再停留在像素级复现，而是真正去学习动作意图、环境反馈与状态变迁之间的内在关联。

训练层面

训练上引入了多目标强化学习奖励机制。除了常规的美学质量、文本对齐度、运动一致性等指标，还特别增设了物理合理性（比如重力响应、碰撞约束、能量守恒）和任务完成度（比如目标抵达、物体操控成功）两大核心奖励信号。这样一来，模型输出的结果更贴近真实世界的运行逻辑，也更适合机器人在物理空间中完成具体任务。

据了解，LingBot-Video已经开放应用于机器人动作预测、高保真仿真数据合成、条件化动作建模、世界模型构建等多个前沿方向。目前该项目已在GitHub等平台全面开源。