蚂蚁灵波开源 LingBot-Video，全球首个面向具身的视频基模来了!

7月9日，蚂蚁灵波放了个大招——正式开源了 LingBot-Video。这可不是一个普通的视频模型，它是全球首个基于 Mixture-of-Experts（MoE）架构、专为具身智能设计的开源视频生成基础模型。说白了，就是冲着机器人和具身智能的核心需求去重新定义视频预训练范式的。

结果也相当硬核：在推理效率、物理合理性、动作理解和任务完成度这几个关键维度上，都实现了系统性提升。这也意味着，视频基础模型终于从“做做数字内容”开始真正走向“赋能具身智能”，有了一个全新的开源底座。

具体成绩如何？在北京大学与字节跳动联合发布的 RBench 基准测试上，LingBot-Video 的总得分是0.620，直接超过了 Wan2.6（0.607）、Seedance1.5Pro（0.584）和 Cosmos3Super（0.581）。RBench 这个基准本身就是面向机器人操作视频的——它专门考验模型能不能生成符合真实物理规律的机器人行为。所以这一结果说明，LingBot-Video 在生成机器人相关视频时，动作过程的合理性和任务执行的完整性明显更胜一筹。

训练层面，LingBot-Video 引入了一套多维强化学习奖励系统。除了常规的美学打分、prompt 跟随和运动一致性之外，模型还重点对物理合理性和任务完成度做了对齐。这样一来，生成的结果不仅更贴合真实世界的规律，也更贴近机器人在实际环境中完成任务的实际需求。

据官方介绍，LingBot-Video 的应用场景很广：机器人动作预测、仿真数据生成、动作条件建模、世界模型研究……这些方向都能直接用。而且，现在模型已经正式开源，感兴趣的团队可以拿去跑起来了。