ITCOW牛新网 7月9日消息，蚂蚁集团旗下蚂蚁灵波科技于今日开源 LingBot-Video，这是全球首个基于 Mixture-of-Experts（MoE）架构、专门面向具身智能（Embodied Intelligence）场景设计的视频生成基础模型。与主流视频生成模型追求画质与创意表达不同，LingBot-Video 的核心目标是为机器人提供能够理解真实物理规律、支撑连续预测与实时交互控制的视频预训练基座。
据ITCOW牛新网了解，LingBot-Video 从架构、数据和训练三方面进行了系统性创新。架构层面采用 DiT + MoE 设计，总参数量达 30B，但在生成时仅激活约 3B 参数，相比同等参数规模的稠密（Dense）架构拥有约 3 倍的推理效率，在保持视觉表达能力的同时更适配具身智能对低延迟推理的苛刻要求。数据层面，团队构建了数据画像引擎，在海量互联网视频基础上引入 VLA（视觉‑语言‑动作）、VLN（视觉‑语言导航）、Ego（第一视角）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，总规模达 7 万小时，帮助模型学习动作与环境变化之间的因果关系而非表面纹理。训练层面引入多维强化学习奖励系统，除美学、提示词遵循和运动一致性等常规指标外，进一步围绕物理合理性和任务完成度进行对齐，并以真实世界视频作为偏好信号，使生成结果更贴合真实物理规律与机器人任务需求。
在基准测试中，LingBot-Video 在由北京大学联合字节跳动发布的面向机器人操作视频的综合评测基准 RBench 上取得总分 0.620，超越 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）及 Cosmos3 Super（0.581）。蚂蚁灵波内部 benchmark 显示，LingBot-Video 在具身领域表现优于 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5 及 LTX-2.3 等主要基线模型；在面向物理现象生成与预测的 Physics-IQ Verified 评测中同样排名第一。目前 LingBot-Video 已正式开源，可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方向。