一句话看懂：7 月 9 日，蚂蚁集团旗下灵波开源了 LingBot-Video，这是全球首个面向具身智能的开源视频基础模型。它采用 MoE 架构，在机器人任务评测集 RBench 上得分 0.620，超越了多个主流闭源和开源模型，可能改变视频生成模型从“内容创作”到“物理世界理解”的技术方向。
事件核心：发生了什么
2026 年 7 月 9 日，蚂蚁集团正式开源名为 LingBot-Video 的视频基础模型。该模型基于混合专家（MoE）架构设计，专门为具身智能（Embodied Intelligence）场景开发。在由北大与字节跳动联合发布的机器人操作视频评测基准 RBench 上，LingBot-Video 以 0.620 的总分位列第一，超过万兴的 Wan2.6（0.607）、字节的 Seedance1.5Pro（0.584）以及英伟达的 Cosmos3Super（0.581）。
据蚂蚁集团公布的内部评测结果，LingBot-Video 在与英伟达 Cosmos3、万兴 Wan2.2A14B、LongCat-Video、混元 Video1.5 和 LTX-2.3 等 5 个开源模型的对比中，在具身领域维度表现优于大部分基线模型。模型总参数量为 30B，但在推理时仅激活约 3B 参数，相比同等参数规模的稠密架构，推理效率提升约 3 倍。训练数据方面，团队构建了数据筛选引擎，引入了 VLA（视觉-语言-动作）、VLN（视觉-语言-导航）和第一人称视角数据，总规模达到 7 万小时。
为什么重要
当前主流视频生成模型主要追求画质、流畅度和创意，但这类模型生成的视频可能并不遵守真实物理规律，例如物体的碰撞、抓取动作的受力反馈等。具身智能（如机器人）需要的不仅是“看着真”，更需要视频能帮助理解“如何执行任务”和“世界如何变化”。LingBot-Video 的差异化在于引入强化学习奖励系统，在美学、提示跟随之外，额外对齐物理合理性与任务完成度。这实质上把视频生成模型从“内容创作工具”推向“物理世界模拟器”，为机器人训练、自动驾驶仿真等场景提供了更低成本的数据生成手段。目前公开信息显示，这是开源社区中首个在具身评测上系统性胜过闭源模型的产品。
对用户/开发者/创作者的影响
对机器人研发团队和具身智能开发者而言，LingBot-Video 提供了可直接使用的视频生成工具，用于生成符合物理规律的机器人操作演示、训练数据或仿真视频。由于其 MoE 架构带来的高推理效率，在边缘设备或实时交互场景下可能有实际落地的可能性。对普通的视频创作者或内容创作者来说，短期影响不大——该模型目标并非“好看的视频”，而是“有用的视频”；但其技术路线（强化学习对齐物理规律）可能在未来被移植到通用视频生成模型中，从而改善生成视频的物理合理性。
大模型开发者和研究者可以关注其开源情况：模型权重、训练数据筛选策略和奖励系统设计可能提供新的研究思路。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
1. 性能与成本权衡：MoE 架构虽然推理效率高，但 30B 的总参数量对部署硬件仍有要求，具体推理速度与卡间通信开销是否可控有待社区验证。2. 数据闭环能力：7 万小时具身数据是否足以覆盖真实世界多样性，以及模型在未见任务上的泛化能力如何，是判断该技术能否进入工业级应用的关键。3. 竞品跟进：万兴、字节、英伟达等厂商可能会加速优化自家模型的物理建模能力，具身视频生成赛道或将出现平台级产品竞争。
来源：AIbase
