新智元報道

編輯：Aeneas

【新智元導(dǎo)讀】世界模型迎來高光時刻：谷歌還在閉源，中國團隊已經(jīng)把SOTA級世界模型全面開源了，LingBot-World正面硬剛Genie 3，徹底打破了全球壟斷！

剛剛，國內(nèi)AI公司，又給了業(yè)界不小的震撼。

螞蟻靈波科技發(fā)布的LingBot-World，剛剛成為開源SOTA級的世界模型。

可以說，它已經(jīng)全面對標了谷歌Genie 3，甚至在一些性能指標上超越了Genie 3！

更令人震撼的是，LingBot-World是開源的。開源陣營，又一次領(lǐng)跑，徹底打破了閉源壟斷。

Demo一放出，立刻驚呆了外國網(wǎng)友。

才沒過多久，X上已經(jīng)被LingBot-World刷屏了，直接登頂了熱搜榜的TOP 1。

海外網(wǎng)友瘋狂打call，直呼這個來自中國的模型太震撼了！

更耐人尋味的是，LingBot-World在X上發(fā)布后，Genie甚至宣布將于近期開源。

全面對標Genie 3

在可交互性、生成質(zhì)量、物理一致性和生成時長上，LingBot-World都能全面對標Genie 3。

可能你會問，為什么要對標Genie 3？

不可否認的是，谷歌DeepMind發(fā)布的Genie 3，代表著該領(lǐng)域的最高水平。

然而Genie 3有一個大問題：它是閉源的，因而社區(qū)無法基于它進行開發(fā)和迭代。因此如果學(xué)術(shù)界和初創(chuàng)公司想訓(xùn)練一個高質(zhì)量世界模型，門檻是極高的。

Genie 3仍處于閉源狀態(tài)

但螞蟻靈波的這次開源，直接就讓大家擁有了SOTA級的物理仿真底座，根本無需從零造輪子。

無論是代碼、權(quán)重還是數(shù)據(jù)管線，都全部公開，全球社區(qū)都將依此打造無限可玩的下一代虛擬世界！

在多個領(lǐng)域，LingBot-World都能打造高保真、高動態(tài)、高物理一致性的可交互動態(tài)環(huán)境，包括照片級真實景觀、科學(xué)可視化和風格和的藝術(shù)世界

讓我們具體來看看，LingBot-World具有哪些性能優(yōu)勢？

首先，這是一個高保真的世界模型。

它能進行多模態(tài)的角色模擬，具備強大的泛化能力。貓怎么跳、螞蟻怎么爬，關(guān)羽怎么揮刀、龍騎士怎么起飛，這背后復(fù)雜的物理動態(tài)和行為邏輯，它都能理解和模擬。同時，還能模擬極具表現(xiàn)力的動態(tài)環(huán)境。

細粒度可控性，讓它實現(xiàn)了對角色相機的精準控制；Zero-shot的交互生成，還能把故宮實拍這類真實場景和游戲截圖直接生成可交互的視頻流。

LingBot-World高保真模擬與精準控制能力令人驚嘆

關(guān)羽騎馬揮刀動作背后的物理動態(tài)和行為邏輯，模擬得十分精確

故宮這類真實場景的可交互視頻流，看不出破綻

其次，它有著SOTA級長視頻生成能力，還是完全開源的！

一個真正厲害的世界模型，就在于不僅記得住，還能記得久。

LingBot-World的長時記憶，即便在大幅度運鏡或長時間跨度下，依然能讓主體特征保持穩(wěn)定性，不漂移、不遺忘。

林教頭風雪山神廟的的多種場景中，始終保持著長時序的一致性與記憶

對它來說，60秒的無損生成只是起點。依托強大的記憶能力，它突破了時序一致性的瓶頸，直接實現(xiàn)了10分鐘的高質(zhì)量無損輸出！

從此，我們不必擔心再多看一會就要穿幫，在這個連續(xù)運行的世界里，角色、環(huán)境和故事都可以自然地發(fā)生。世界模型，真正開始「像一個世界」。

選擇一個世界設(shè)定和一個特定事件，它就能生成一個世界

最后，它的下游應(yīng)用潛力也是巨大的。

因為整個世界都能講得通，物理仿真環(huán)境前后一致、邏輯自洽，還有穩(wěn)定的長時記憶，它就成為了3D場景重建和具身智能、游戲Agent訓(xùn)練的理想底座。

可以說，這是一個永遠不會塌的訓(xùn)練場：世界是穩(wěn)定的，時間是連續(xù)的，智能體可以在里面不斷試錯、不斷成長。

LingBot-World，摘下圣杯

長期以來，理解并模擬物理世界的技術(shù)，一直都是AI領(lǐng)域的圣杯。

然而，盡管當前的SOTA模型在渲染視覺連貫的短片段時已經(jīng)非常逼真，但本質(zhì)上，它們卻仍然是基于統(tǒng)計關(guān)聯(lián)性來生成像素過渡，并不能真正理解因果關(guān)系、物體恒存性以及交互后果這些底層規(guī)律。

可以說，從視頻生成到世界模型之間，有著巨大的鴻溝，原因就在于高質(zhì)量互動數(shù)據(jù)的稀缺、擴散架構(gòu)的災(zāi)難性遺忘，以及實時控制的計算成本過高。

甚至，該領(lǐng)域最先進的方案始終處于專利壟斷狀態(tài)，而現(xiàn)在LingBot-World框架的誕生，徹底打破了這種壁壘！

從此，大規(guī)模虛擬世界的研究會更加普及，內(nèi)容創(chuàng)作、游戲開發(fā)、機器人學(xué)習(xí)的實踐，會注入一股強大動力。

對內(nèi)容創(chuàng)作者來說，靈感不會再被制作成本所限制——一個想法，就能生成一個可持續(xù)運轉(zhuǎn)的世界。

游戲里的角色，不再只是在腳本里走流程；機器人也能在穩(wěn)定的虛擬環(huán)境中反復(fù)試錯。

LingBot-World框架不僅是一個生成式模型，更是一個能實時學(xué)習(xí)虛擬世界動態(tài)并進行渲染的完整系統(tǒng)。

而團隊創(chuàng)新背后的三大支柱，就是具備層級語義的可擴展數(shù)據(jù)引擎、多階段的進化訓(xùn)練流程，以及具身人工智能的多功能應(yīng)用。

為了構(gòu)建能穩(wěn)健處理新視角、復(fù)雜動態(tài)和長期規(guī)劃的世界模型，團隊將數(shù)據(jù)引擎結(jié)構(gòu)化為數(shù)據(jù)采集、數(shù)據(jù)分析和數(shù)據(jù)標注協(xié)同的統(tǒng)一流程。

通過下圖這個分析引擎，團隊有效彌合了原始視頻數(shù)據(jù)與訓(xùn)練用資源之間的鴻溝。

接下來，團隊提出了一個多階段的進化策略，將基礎(chǔ)視頻生成器轉(zhuǎn)化為交互式的世界模擬器。

在這個訓(xùn)練流程中，第一階段（預(yù)訓(xùn)練）會建立一個通用視頻先驗。第二階段（中期訓(xùn)練）會注入世界知識；第三階段（后訓(xùn)練）則是實現(xiàn)低延遲與嚴格因果關(guān)系。

LingBot-World的視頻生成流程如下。

左圖顯示，系統(tǒng)會以圖像或視頻、噪聲潛在變量及用戶自定義動作信號為輸入，生成具有長期連貫性、空間記憶和精準動作跟隨能力的視頻序列。

而在右圖中，DiT模塊首先經(jīng)過自注意力層，讓系統(tǒng)學(xué)習(xí)時空一致性、發(fā)展空間記憶能力，然后通過Plucker編碼器注入動作信號，最后通過交叉注意力層，將文本嵌入向量條件化到視頻潛在變量上。

最終，LingBot-World能生成可控的視覺世界，而非隨機的視頻生成。

定性分析結(jié)果顯示，LingBot-World能有效處理不同物體的屬性和空間構(gòu)型，幀與幀之間的過渡極其流暢，并且邏輯自洽。

另外，這個世界模型還表現(xiàn)出一個關(guān)鍵特性，就是能自發(fā)地保持全局一致性。這就證明：視頻模型已經(jīng)具備了物體重現(xiàn)的隱性記憶！

因此，它不僅能呈現(xiàn)動態(tài)視覺效果，還能推理未觀測狀態(tài)的演變。

比如下圖第5行中，離開畫面的車輛在未被觀測的情況下仍會繼續(xù)其運動軌跡，并在物理上合理的位置重新出現(xiàn)。這就表明，該模型模擬的是現(xiàn)實世界中潛在的時空一致性，而非簡單地記憶像素數(shù)據(jù)。

總之，對于交互式世界模型而言，LingBot-World能提供更具動態(tài)感和交互性的環(huán)境，這就能大大提升用戶在交互式場景中的沉浸式體驗。

如此強大的效果，讓LingBot-World在多個場景中都有著巨大的應(yīng)用價值。

比如，引入可操控的全局事件，它就可以根據(jù)文本提示，來生成多樣化的未來軌跡。

結(jié)果顯示，模型既能處理「冬季」「像素藝術(shù)」這樣的全局性環(huán)境變化，也能精準調(diào)控「煙花」「魚類」這樣的局部情境，并且始終保持物理與時間維度的連貫性。另外，它還可以作為一個行動智能體，預(yù)測一系列模擬環(huán)境探索的動作，轉(zhuǎn)換為相機軌跡，從而驅(qū)動后續(xù)的世界生成。

最后，通過大規(guī)模3D重建基礎(chǔ)模型，我們還能將生成的視頻序列進一步轉(zhuǎn)化為高質(zhì)量的場景點云。

因為這些點云展現(xiàn)出了高度的空間一致性，就為下游的具身智能訓(xùn)練提供了多樣化的數(shù)據(jù)來源。

這一點，我們會在下面詳細展開。

螞蟻靈波為何同時布局VLA和世界模型

巧的是，就在前兩天，螞蟻靈波剛剛發(fā)布了空間感知和VLA基座模型。全新開源的LingBot-VLA，刷新了具身智能開源SOTA。

29號，緊接著又發(fā)布了LingBot-World世界模型。

從這一系列動作和布局可以看出，螞蟻靈波在堅持這樣一條路線：做「大腦」，做「智能基座」。

為何選擇同時布局VLA和世界模型？

原因就在于，VLA負責在真實世界中執(zhí)行任務(wù)（Action），而世界模型負責在虛擬空間中進行低成本試錯與推演。

前者是機器人的「大腦」和「手」，后者賦予機器人物理常識，二者分工不同，卻天然互補。

VLA擅長直面真實世界，把感知轉(zhuǎn)化為具體動作，真正去完成「拿、放、走、避讓」等動作，但真實環(huán)境的成本很高，試錯代價很大。此時世界模型的出現(xiàn)，恰好補上了這塊短板。

后者在虛擬空間中復(fù)刻現(xiàn)實世界的物理規(guī)律和時序邏輯，讓大量失敗和修正，都可以在低成本的可控環(huán)境中完成，選出最符合物理定律、最安全的路徑，然后再遷移到真實世界執(zhí)行。

二者的深度融合，就形成了「感知-行動-認知」的閉環(huán)，解決了具身智能數(shù)據(jù)獲取難、訓(xùn)練成本高、泛化能力弱的行業(yè)核心痛點。

這種閉環(huán)機制，就從根本上解決了具身智能長期面臨的「數(shù)據(jù)獲取難、訓(xùn)練成本高、泛化能力弱」三大難題。

在這些逼真的虛擬環(huán)境中，機器人能快速試錯、學(xué)習(xí)，再應(yīng)用到真實世界，這樣就極大降低了研發(fā)成本。

因此，世界模型也成為兵家必爭之地，無論是OpenAI、谷歌還是英偉達，都在押注世界模型。

要知道，機器人完成一項任務(wù)，往往要持續(xù)很久，但傳統(tǒng)模型生成的視頻，通常只能穩(wěn)定幾秒，之后畫面就會開始崩壞，因此，機器人很難把任務(wù)從頭到尾順利完成。

然而LingBot-World卻能做到10分鐘級別的無損生成，而且在多步驟、長序列任務(wù)中都能保證訓(xùn)練的穩(wěn)定性。這對機器人訓(xùn)練的意義，可以說是范式級的！

原因在于，機器人訓(xùn)練里最痛的點之一，就是動作是對的，但過一段時間就全錯了。不過，如果模型能穩(wěn)定生成10分鐘級別的視頻，意味著它具備了長時記憶狀態(tài)，以及行為之間的因果一致性。

因此，找 → 拿 → 搬 → 放 → 整理這種多技能組合，都可以在一個連續(xù)軌跡里學(xué)完，這對通用機器人有決定性的意義，讓它們「在腦子里練習(xí)」成為真正成為可能。

從此，機器人第一次真正具備了長期行為能力！

部署后實時演示的實拍視頻

PhysicalAI時代，誰將成為巨頭？

可以看到，世界模型在當下仍然處于前沿探索階段，技術(shù)路徑尚未真正收斂，研發(fā)投入高、周期長，注定不是一條「快錢」的路線。

但正因如此，選擇堅定投入世界模型與VLA融合的公司，本身就做出了一次清晰而長遠的判斷——他們押注的不是短期應(yīng)用，而是機器人未來的「理解力」和「行動力」。

這個行業(yè)，終究要有人去做「大腦」，而不僅僅是「軀體」。

從表面看，螞蟻靈波選擇打造「智能基座」，似乎是一條與宇樹、智元等硬件路線錯位競爭的道路，但這恰恰是一條最難的基礎(chǔ)設(shè)施級賽道。

不過，打造智能基座雖然最難，增量空間也是最大的。

更重要的是，當這樣的能力選擇對社區(qū)開放，接受真實世界的檢驗與迭代，其影響力將不只屬于某一家公司，而會成為推動具身智能乃至整個AI時代向前演進的一股關(guān)鍵力量。

Physical AI時代，感謝有螞蟻靈波。