蚂蚁灵波开源面向机器人的视频基座模型 LingBot-Video
蚂蚁灵波开源 LingBot-Video，一个面向机器人的视频生成基座模型，强调物理规律和交互理解，不同于追求画质的通用视频模型。
通用视频模型追求画质与时长，但常忽略物理规律。蚂蚁灵波开源的 LingBot-Video 专为具身智能设计，通过 MoE 架构、机器人增强语料库和多维奖励系统，让视频生成更关注动作、交互与物理合理性，可作为机器人的训练与推理基础。已在 GitHub 等平台开源。
正文摘录
最适合机器人的视频基座模型，被中国团队开源了 .jpg) 如果你经常刷 AI 生成的视频，大概率会遇到很多不符合物理规律的画面。 比如水从杯口倒出来，却像透明果冻一样悬在半空；手还没有真正碰到抽屉，抽屉已经自己滑开…… 对普通观众来说，这些问题最多算是穿帮。 但对机器人来说，事情就没这么简单了。 假如我们把「隔空打开抽屉」的视频喂给一个正在学习动作的大模型，性质就完全变了。它会把一次生成失误，误读成动作和结果之间的规律：没有接触，抽屉也能自己滑开。 这就是视频生成行业现在有点尴尬的地方。 过去两年，从 Sora 到 Veo，几乎所有头部玩家争的都是同一件事：画质更清晰、时长更长、镜头更有美感、prompt 跟得更准。但用这些模型作为机器人大脑时，缺点就会暴露，一段 4K 高清、光影考究的视频，可能连东西不会凭空消失这种最基本的常识都守不住。 因而视频生成的下一阶段，可能不再只有一条主线：一边继续服务内容创作，追求更强的视觉表达；另一边开始进入机器人训练，变成理解和预测物理世界的工具。 蚂蚁灵波选择了后一条路： 开源 LingBot-Video 。这是一个面向具身智能的视频生成基座模型，也是一套专为机器人场景设计的 DiT 视频预训练范式。 通用视频模型更多学习画面变化、镜头运动和视觉风格；LingBot-Video 则把重点放在动作、任务、交互和物理环境变化上，面向世界预测、动作理解和机器人训练构建视频生成基座。 围绕这一目标，蚂蚁灵波在 架构、数据和训练 三个层面做了系统性设计。