全球首个面向具身智能的开源视频生成模型LingBot-Video近日由蚂蚁灵波团队正式发布。该模型基于Mixture-of-Experts（MoE）架构开发，通过重构视频预训练范式，在物理合理性、动作连贯性及任务完成度等关键指标上实现突破性进展，为机器人领域提供了全新的开源技术底座。
在机器人操作视频评测基准RBench上，LingBot-Video以0.620的综合得分超越Wan2.6（0.607）、Seedance 1.5 Pro（0.584）等主流模型。该基准由北京大学联合字节跳动开发，重点考察模型生成内容的物理真实性。测试结果显示，LingBot-Video生成的机器人动作在轨迹合理性、物体交互逻辑等方面表现尤为突出，任务完成度较同类模型提升12%-15%。
针对具身智能的特殊需求，研究团队构建了包含7万小时机器人操作数据的训练集。通过整合VLA（视觉语言动作）、VLN（视觉语言导航）及第一视角交互数据，模型成功掌握了灵巧操作、移动导航等复杂场景的物理规律。内部评测表明，在机械臂抓取、轮式机器人避障等任务中，其动作一致性指标较NVIDIA Cosmos 3等模型提升23%。
技术架构方面，LingBot-Video采用创新的DiT+MoE混合设计，在保持300亿参数规模的同时，将单次推理激活参数压缩至30亿量级。这种稀疏激活机制使模型推理效率达到传统密集架构的3倍，特别适合需要实时响应的机器人控制场景。实验数据显示，在相同硬件条件下，其帧生成速度较同类模型提升40%，而能耗降低35%。
训练策略上，研究团队引入多维强化学习框架，除常规的美学质量和运动一致性奖励外，特别增设物理引擎对齐模块。该模块通过模拟器验证生成动作的可行性，使模型能够自主修正违反重力、碰撞等物理规则的错误。在开放场景测试中，模型生成的机器人运动轨迹与真实物理引擎的匹配度达到91.7%。
目前，LingBot-Video已实现全模块开源，支持机器人动作预测、仿真环境数据生成、动作条件世界模型等应用场景。开发团队透露，某工业机器人企业已将其应用于产线异常检测，通过分析操作视频的物理合理性，成功将设备故障识别准确率提升至98.6%。随着社区贡献的不断增加，该模型有望推动具身智能技术向更广泛的实体产业渗透。
