蚂蚁灵波开源LingBot-Video，首个面向具身智能的MoE视频生成模型

7月9日，蚂蚁灵波正式开源LingBot-Video。这是全球首个基于Mixture-of-Experts（MoE）架构、面向具身智能的视频生成基础模型。它从机器人和具身智能的核心需求出发，重新设计了视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度上都有系统提升。

在北京大学联合字节跳动发布的机器人操作视频评测基准RBench上，LingBot-Video总分为0.620，超过了Wan2.6（0.607）、Seedance1.5Pro（0.584）、Cosmos3Super（0.581）。RBench专门考察模型生成的内容是否符合真实物理规律，这个分数说明LingBot-Video在生成机器人相关视频时，能更好地保持动作过程的合理性和任务执行的完整性。

蚂蚁灵波还在内部基准上做了进一步验证，从通用质量和具身领域两个维度对比了NVIDIA Cosmos3、Wan2.2A14B、LongCat-Video、Hunyuan Video1.5和LTX-2.3等五个开源模型。结果显示，LingBot-Video在具身相关场景中展现出更强的物理理解和动作一致性。

过去几年，视频生成模型在画质和流畅度上进步很快，但对具身智能来说，一个看起来逼真的视频如果无法反映真实物理规律，就难以支撑机器人连续预测、规划和执行任务。同时，具身智能还要求模型具备更高的推理效率，以适应实时交互和控制闭环。这催生了视频生成的两条路线：一条通向影院，服务于内容创作；另一条通向机器人，服务于物理世界的理解、预测与交互。LingBot-Video正是后一条路线上的重要探索。

LingBot-Video在架构、数据和训练三方面做了系统创新。架构上，它采用DiT加MoE设计，用MoE替代传统Dense架构，在扩大模型容量的同时控制单次推理成本。30B总参数的模型在生成时仅激活约3B参数，相比同等参数规模的Dense架构，推理效率提升约3倍。这样既保留了大规模参数的视觉表达能力，又更贴合具身智能对高效推理的要求。

数据方面，团队构建了数据画像引擎，在海量互联网视频的基础上，引入了VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互等场景，具身数据总规模达到7万小时。这些数据帮助模型学习动作与环境变化之间的关系，而不是只模仿视频的表面纹理和视觉风格。

训练上，LingBot-Video引入了多维强化学习奖励系统。除了美学、prompt跟随和运动一致性等常规指标，模型还围绕物理合理性和任务完成度进行对齐，让生成结果更符合真实世界规律，也更贴近机器人在真实环境中完成任务的需求。

LingBot-Video可用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等方向。目前，该模型已正式开源。