蚂蚁集团具身智能部门 Robbyant 正式开源 LingBot-World 2.0 世界模型。该模型专为长时间实时视频生成和交互式模拟环境设计，在早期版本基础上实现了重大突破。

与此前仅能实现分钟级稳定生成的 1.0 版本不同，LingBot-World 2.0 支持在 720p 分辨率、每秒 60 帧的速度下，进行长达一小时的连续生成。用户可通过键盘输入与场景实时交互，包括控制角色移动和切换视角。

原生智能体与长时稳定性

此次更新引入了原生智能体机制，使生成环境能随互动持续响应。系统包含负责规划执行角色行为的 " 飞行员智能体 "（Pilot Agent），以及在场景发展中引入新事件的 " 导演智能体 "（Director Agent）。

针对长视频生成中常见的图像质量下降和场景结构崩溃难题，LingBot-World 2.0 采用了因果预训练方法和 " 双向注意力掩码 "（MoBA）机制。模型按时间顺序学习世界演变，有效减少累积误差。Robbyant 表示，在一小时压力测试中，视觉输出未出现质量漂移。

为支持低延迟交互，Robbyant 推出了快速推理版本并重构生成管道，实现内容同时生成、传输和显示，而非等待序列完成。这种接近实时模拟的体验，允许用户在场景演化过程中实时操作。

丰富交互与多用户协作

除了基础移动导航，该模型还支持攻击、射箭、施法、跳跃和滑翔等复杂动作。同时支持通过文本触发昼夜循环、天气变化及插入新实体等环境变化，这些事件均根据互动时的场景状态动态生成。

LingBot-World 2.0 还在同一持久化世界中支持多用户协作，允许在单一环境中进行共同探索和交互。Robbyant 称这是迈向多人 AI 生成体验的重要一步，将被动观看环境转变为能持续响应用户的动态系统。

同步开源 LingBot-Video

LingBot-World 2.0 已在开源许可下发布，首日即支持 SGLang，用户可通过 Reactor 平台在线试用。

与此同时，Robbyant 还开源了基于混合专家（MoE）架构的视频生成基础模型 LingBot-Video。该模型专为具身智能应用设计，针对机器人用例优化了推理效率、物理合理性、动作理解能力和任务完成度。此举标志着蚂蚁集团的开源布局从模拟世界生成扩展至与具身智能研究更直接相关的视频模型领域。

当前，AI 行业正竞相提升生成视频和模拟环境的连贯性、可控性及持续时间。对于智能体和机器人技术开发者而言，更长且稳定的交互式世界模型已成为训练、测试和行为实验的关键工具。

【星途科讯 图文丨王宇洲 首发于 ZAKER 科技，转载请注明出处】