今天螞蟻靈波科技再次刷新行業(yè)預(yù)期，開源發(fā)布世界模型LingBot-World。

該模型在視頻質(zhì)量、動態(tài)程度、長時一致性、交互能力等關(guān)鍵指標(biāo)上均媲美Google Genie 3。

旨在為具身智能、自動駕駛及游戲開發(fā)提供高保真、高動態(tài)、可實時操控的“數(shù)字演練場”。

針對視頻生成中最常見的“長時漂移”問題，LingBot-World實現(xiàn)了近10分鐘的連續(xù)穩(wěn)定無損生成，為長序列、多步驟的復(fù)雜任務(wù)訓(xùn)練提供支撐。

交互性能上，LingBot-World可實現(xiàn)約16 FPS的生成吞吐，并將端到端交互延遲控制在1秒以內(nèi)。

用戶可通過鍵盤或鼠標(biāo)實時控制角色與相機(jī)視角，畫面隨指令即時反饋。

此外，用戶可通過文本觸發(fā)環(huán)境變化與世界事件，例如調(diào)整天氣、改變畫面風(fēng)格或生成特定事件，并在保持場景幾何關(guān)系相對一致的前提下完成變化。

同時，該模型具備Zero-shot泛化能力，僅需輸入一張真實照片（如城市街景）或游戲截圖，即可生成可交互的視頻流。

LingBot-World憑借長時序一致性、實時交互響應(yīng)，以及對"動作-環(huán)境變化"因果關(guān)系的理解，能夠在數(shù)字世界中"想象"物理世界，為智能體的場景理解和長程任務(wù)執(zhí)行提供了一個低成本、高保真的試錯空間。

同時，LingBot-World支持場景多樣化生成（如光照、擺放位置變化等），也提升了具身智能算法在真實場景中的泛化能力。

隨著“靈波”系列連續(xù)發(fā)布“空間感知”、“VLA基座”“LingBot-World”三款具身領(lǐng)域大模型，螞蟻的AGI戰(zhàn)略實現(xiàn)了從數(shù)字世界到物理感知的關(guān)鍵延伸。

螞蟻正通過InclusionAI社區(qū)將模型全部開源，和行業(yè)共建，探索AGI的邊界。

目前，LingBot-World模型權(quán)重及推理代碼已面向社區(qū)開放。