蚂蚁灵波开源具身视频基础模型LingBot-Video
蚂蚁灵波开源LingBot-Video，一个高效、物理合理的具身视频生成模型，为机器人学习和仿真提供新底座。
蚂蚁灵波开源了LingBot-Video，一个基于MoE架构（混合专家模型，只激活部分参数）的具身视频生成模型。30B参数推理时仅激活约3B，效率提升3倍。在机器人视频基准RBench上得分为0.620，超越其他模型。它专为机器人理解物理世界设计，生成更符合真实物理规律的视频，可用于动作预测和仿真数据生成。
正文摘录
.png) 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。