文章核心观点 蚂蚁灵波公司近期连续开源了其具身智能基础设施的三个核心组件，最新开源的通用世界模型LingBot-World在长时序一致性、交互性和实时性方面表现突出，与之前开源的感知模型LingBot-Depth和决策模型LingBot-VLA共同构成了一个完整的、可复用的具身智能技术闭环，旨在为行业提供标准化的基础设施，其技术复用性未来可能扩展至游戏、AIGC和自动驾驶等领域[2][31][32][42][43]。 技术发布与核心特性 - 最新开源模型：蚂蚁灵波开源了通用的世界模型——LingBot-World，这是一个能够支持长达10分钟持续生成与交互的世界模型[2][3] - 关键性能对比：在视觉效果上与DeepMind的Genie 3不相上下，但在时间维度上更长；模型支持720p分辨率，并实现了实时（Real-time）生成[3][27] - 核心交互能力：用户可通过键盘（WASD）和鼠标实时控制视角，如同操作3A游戏；同时，Agent能在生成的世界中自主规划执行动作，用户也能用自然语言实时改变生成世界[4][5][6] - 模型核心优势：模型在长时序一致性、记忆力（能推断画面外物体的行为）以及遵循现实物理规律方面表现优异，解决了长视频生成的灾难性遗忘问题[9][10][11][24] 技术实现路径 - 数据构建策略：构建了混合数据引擎，结合海量真实世界视频与利用虚幻引擎合成的、自带完美相机位姿和物理碰撞信息的数据[16][17] - 分层标注策略：将视频描述拆解为叙事描述、静态场景描述和密集时序描述三个层级，以解耦背景与运动[19][25] - 三阶段模型训练： - 阶段一（预训练）：基于视频生成模型初始化，旨在获得强大的通用视频生成能力[23][24] - 阶段二（中训练）：引入混合专家模型架构，注入交互数据和游戏逻辑，使模型掌握物理规律并涌现出空间记忆能力[24] - 阶段三（实时性优化）：通过引入因果注意力机制和少步蒸馏技术，将推理过程变为自回归生成，将延迟压缩到1秒以内，实现16fps的实时生成速度[26] 公司战略布局 - 完整基础设施闭环：此次开源并非孤立事件，结合此前开源的LingBot-Depth（机器人的“眼睛”，感知）和LingBot-VLA（机器人的“大脑”，决策），公司提供了一套完整的具身智能基础设施[31][32][42] - 组件协同效应：三个组件产生了“1+1+1>3”的化学反应：VLA可在World生成的虚拟环境中低成本推演学习；World生成的一致性视频可转化为高质量3D点云，用于训练Depth模型；VLA在真实世界的反馈又能优化World模型的物理准度[41] - 行业定位与愿景：通过将感知、决策、模拟三大核心件全部开源，公司试图为整个行业提供一套可复用、标准化的产业基础设施[32][43] - 未来扩展潜力：该技术栈的复用性不仅限于具身智能，同样可以应用于游戏、AIGC和自动驾驶等领域[43] 其他模型性能数据 - LingBot-VLA性能：在20000小时真实世界数据加持下，在三个不同机器人平台上完成了100项任务，成功率碾压同类模型，训练吞吐量是现有框架的1.5到2.8倍[37][38] - LingBot-Depth特性：通过掩码深度建模，能有效处理反光、透明物体，让机器人更清晰地感知真实世界[34][35]