蚂蚁灵波科技开源具身智能视频生成模型 LingBot-Video

蚂蚁灵波科技今日正式开源 LingBot-Video，这是全球首个基于 MoE 架构、面向具身智能的视频生成基础模型。该模型总参数达 30B，但每次推理仅激活约 3B 参数，相比同等规模 Dense 架构效率提升约 3 倍。

LingBot-Video 针对具身智能需求重新设计，从架构、数据和训练三方面创新。团队构建了数据画像引擎，引入 7 万小时机器人相关数据，覆盖灵巧操作、移动和第一视角交互等场景。训练采用多维强化学习奖励系统，强调物理合理性和任务完成度。

在 RBench 基准上，LingBot-Video 总分 0.620，超越 Wan2.6、Seedance 1.5 Pro 等模型。内部评测显示，其在具身领域表现优于 NVIDIA Cosmos 3 等基线模型。该模型已开源，可用于机器人动作预测、仿真数据生成等方向。