一句话看懂：7月9日，蚂蚁灵波科技开源了全球首个基于MoE架构的具身智能视频基模LingBot-Video，该模型以30B总参数仅激活3B的推理效率，在机器人动作预测与物理规律建模的基准测试中超越NVIDIA Cosmos 3等主流模型，为机器人仿真数据生成与世界模型研究提供了新的开源基座。
事件核心：发生了什么
蚂蚁灵波科技于2026年7月9日正式开源LingBot-Video。该模型采用DiT+MoE架构，总参数达30B，单次推理仅激活约3B参数，相比同等规模Dense架构效率提升约3倍。为了提升模型对物理世界的理解能力，团队构建了数据画像引擎，在互联网视频基础上引入VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、移动和第一视角交互等场景，数据规模达7万小时。在训练环节，模型引入了多维强化学习奖励系统，重点对齐物理合理性和任务完成度。在北大与字节跳动联合发布的RBench基准上，LingBot-Video总分0.620，超过Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。
为什么重要
当前视频生成模型主要面向内容创作（如影视、短视频），追求画质与创意表现，但往往忽略物理真实性。LingBot-Video将视频生成从“影院路线”转向“机器人路线”，围绕具身智能的物理理解、动作预测与实时交互需求重新设计预训练范式。这是开源社区首次在MoE架构下实现面向机器人任务的高效视频基模，意味着开发者可以基于此模型进行仿真数据生成、动作条件建模，而无需从头训练大模型。与NVIDIA Cosmos系列等闭源或半闭源方案相比，LingBot-Video的开源策略有助于降低具身智能研发门槛，推动机器人从“预设动作”向“视觉驱动推理”演进。
对用户/开发者/创作者的影响
对机器人算法开发者而言，LingBot-Video提供了可直接调用的开源基模，用于生成机器人训练所需的仿真视频数据，替代高昂的真实数据采集成本。对具身智能研究团队，模型支持动作预测和条件建模，可作为世界模型研究的基础工具。对有内容创作需求的用户，该模型虽然主要面向机器人场景，但其MoE架构在控制推理成本的同时拥有30B参数规模，理论上也可用于一般性视频生成任务，但官方未强调这一方向。对于依赖商业视频模型API的企业，开源模型提供了替代方案，尤其适合对数据隐私和成本敏感的场景。
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
第一，LingBot-Video是否支持实时交互控制闭环尚待验证，官方提及与机器人控制系统的集成细节尚未公开。第二，模型在RBench等基准上的表现能否在真实机器人部署环境中复现，需要更多第三方独立评测。第三，蚂蚁灵波此前已开源LingBot-World 2.0世界模型和LingBot-VLA 2.0基座模型，此次开源视频基模后，其具身智能技术栈是否形成完整闭环，以及是否会开放API或SaaS服务，值得跟进。
来源：IT之家（RSS）
