6.0
深览指数
科技量子位··AI 生成
蚂蚁灵波开源LingBot-Video，全球首个面向具身的视频基模来了！
蚂蚁集团旗下灵波公司开源了LingBot-Video，一个30B参数的MoE架构视频生成模型，专为具身智能设计。该模型在RBench评测中总分超越Wan、Seedance、Cosmos等主流模型，核心创新在于通过MoE架构实现单次推理仅激活3B参数的高效率，并引入7万小时具身数据和多维强化学习对齐物理规律。文章系统介绍了模型在架构、数据和训练三方面的技术细节，但缺乏与同类开源方案的对比讨论和局限性说明，本质是一篇产品发布与技术宣传稿。原文 ↗
核心观点
- ▍LingBot-Video是全球首个基于MoE架构、面向具身智能的开源视频生成基础模型，旨在为机器人提供理解物理世界和完成任务的视频生成能力，区别于面向内容创作的传统视频模型。
- 01在北大与字节跳动联合发布的RBench机器人操作视频评测基准上，LingBot-Video总分0.620，超越Wan2.6(0.607)、Seedance1.5 Pro(0.584)和Cosmos3 Super(0.581)。
- 02模型采用DiT+MoE架构，总参数30B，单次推理仅激活约3B参数，相比同等参数规模的Dense架构推理效率提升约3倍。
- 03在数据层面，模型构建了数据画像引擎，引入了VLA、VLN、Ego等机器人相关数据，覆盖灵巧操作、机器人移动和第一视角交互，总计7万小时具身数据。
- 04训练中引入了多维强化学习奖励系统，除美学和运动一致性等常规指标外，增加物理合理性和任务完成度两个维度的对齐。
- 05模型可用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等方向。
反方 / 局限
- — 文章通篇为技术亮点和成绩的正面陈述，未提及模型的任何局限性、失败案例或与同类型方案（如谷歌Genie、世界模型方法）的对比。
- — 基准RBench和内部benchmark的评测细节未公开（如测试集规模、具体任务类型、置信区间），评测结果的权威性和可复现性存疑。
蚂蚁灵波LingBot-VideoMoE（Mixture-of-Experts）DiT（Diffusion Transformer）RBenchVLA（Vision-Language-Action）VLN（Vision-Language-Navigation）粒子位（量子位）
5 分钟 · 5 卡片 · 10 资料
读原文 →