蚂蚁灵波开源面向具身智能的视频模型LingBot-Video
LingBot-Video首次让视频生成模型为机器人服务，用MoE架构和具身数据提升物理合理性与任务完成度。
蚂蚁灵波开源了全球首个基于MoE（混合专家架构）的具身智能视频生成模型LingBot-Video。它用30B总参数但仅激活约3B，推理效率提升3倍；结合7万小时机器人数据（操作、移动、第一视角），在RBench基准上超越Wan2.6等模型，能生成更符合物理规律的机器人行为，可用于动作预测、仿真数据生成等。
正文摘录
7 月 9 日，蚂蚁灵波开源 LingBot-Video，这是全球首个基于 Mixture-of-Experts （MoE）架构、面向具身智能的开源视频生成基础模型。该模型围绕机器人和具身智能的核心需求重新设计视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度等方面取得系统性提升，为视频基础模型从数字内容创作走向具身智能提供了新的开源底座。 在北京大学联合字节跳动发布的基准 RBench 上，LingBot-Video 的总分是 0.620，超越了 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench 作为面向机器人操作视频的综合评测基准，重点考察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，更能保持动作过程的合理性和任务执行的完整性。  （图说：LingBot-Video 在 RBench 上性能最优） 为进一步验证 LingBot-Video 对物理世界变化的建模能力，蚂蚁灵波在内部 benchmark 中从通用质量和具身领域两个维度进行评估。结果显示，对比 NVIDIA Cosmos 3、Wan 2.2 A14B、LongCat-Video、Hunyuan Video 1.5、LTX-2.3 等五个开源模型，LingBot-Video 在具身领域表现优于主要基线模型。