LingBot-World 2.0 – 蚂蚁灵波科技开源的实时交互世界模型

LingBot-World 2.0是一款由蚂蚁灵波科技（Robbyant）于2026年9月进一步开源的实时交互世界模型，主要用于在本地实时生成可长时间演化、可被操作干预的虚拟环境，支持相机位姿与文本提示两类输入，适用于游戏原型验证、具身智能训练与交互式内容创作。

LingBot-World 2.0 的核心能力

把实时运行门槛压到消费级单卡

本次开源的 LingBot-World 2.0 Small 采用 1.3B 参数规模，面向消费级单卡 GPU 设计，可以在单卡上实现实时世界生成。参数变小带来的不只是一组数字变化：过去开发者更多是通过公开视频或在线 Demo 观察世界模型的能力，现在可以在本地直接运行模型，观察连续生成过程、修改输入方式、测试不同交互设计并搭建应用原型。对个人开发者、高校实验室与小型团队来说，能跑起来和只能看演示，是两种完全不同的研究起点。

小时级连续生成与 720P、60FPS 实时输出

LingBot-World 2.0 的主模型在 2026 年 7 月开源时就已实现小时级连续生成，可响应攻击、射箭、施法、射击等角色动作，以及下雪、下雨等环境事件；在更高算力与相应推理配置下可达到 720P、60FPS 的高清实时体验。注意力放在「画面不漂移」上：世界模型一旦在长时序里崩掉纹理与几何结构，交互体验就无法成立，这正是这一版把长时稳定性当作主线的原因。

因果预训练与 MoBA 的长时稳定性

在 LingBot-World 2.0 里，当前世界状态只依赖过去的视觉观察与截至当前时刻的用户输入，不能访问未来信息，这种因果性模拟了真实交互——你往前走一步，世界才生成下一步。为兼顾自回归生成与视觉质量，团队引入了 Mixture of Bidirectional and Autoregressive Attention Mask（MoBA），在 Teacher Forcing 掩码里加入双向注意力组件，缓解纯 Teacher Forcing 带来的过拟合与画质下降，并帮助模型从双向生成过渡到自回归生成，配套的因果交叉注意力则用于防止未来语义泄漏。技术报告中的定性对比显示，在 5 秒至 60 秒的长时生成中，它在纹理细节、几何结构与场景连贯性上保持得更稳。

两阶段蒸馏压缩单帧成本

高质量生成通常需要多步去噪，计算成本难以满足实时交互，团队因此结合一致性蒸馏与分布匹配蒸馏：前者把 Teacher 的多步生成轨迹压缩到少步 Student，后者让 Student 在自身长时 self-rollout 的轨迹上继续训练，抑制长时自回归过程里不断累积的误差。通过开放 Bidirectional 双向 Teacher 模型，研究者可以拿到更完整的蒸馏起点，用于训练更轻、更快或更适合特定场景的 Student 模型。

双 Agent 驱动的世界演化

LingBot-World 2.0 由 Pilot Agent 与 Director Agent 组成的 Agentic Interaction Harness 协同工作，前者负责角色行为、后者负责环境内容生成，让世界在探索过程中继续演化，而不是把玩家困在一段固定视频里。这条路线与通用 AI 智能体 的思路一致：把「持续推进一件事」的职责交给 Agent 层，模型层专注把当前一步生成好。

完整开源体系与本地部署路径

这一轮开放的三款模型让开发者既可以直接运行 1.3B 小模型，也可以从 Causal Pretrain 或 Bidirectional 出发继续做后训练、评测、蒸馏、压缩与推理加速。同厂的 LingBot 系列此前已有多个方向的开源落地，例如面向视觉动作的 LingBot-VA 2.0 把同一套世界建模能力延伸到机器人动作领域，本次 World 线的轻量化则补上了「能本地跑起来」这一环。

LingBot-World 2.0 与同类实时世界模型的对比

下表把 LingBot-World 2.0 与 Genie 3、Zing-0.5、ABot-World Studio 在实时规格、长时一致性与开放程度上并列，便于判断各自的可用边界。

四者的差别主要在开放程度与运行时长的取舍上：Genie 3 把体验放在云端订阅里，Zing-0.5 与 LingBot-World 2.0 都选择开源到消费级单卡，ABot-World Studio 则在超一小时稳定推理与 3D 场景生成上做文章。如果要自己改训练链路或做蒸馏实验，能拿到因果预训练底座与双向 Teacher 的路线更实用。

如果想顺带看看世界模型在空间智能方向上的另一种做法，可以参考 Atlas（World Labs 推出的多模态世界模型，把文本、图像、相机位姿与深度图统一锚定在三维空间，与本文讨论的实时交互路线属同一赛道）。

LingBot-World 2.0 的应用场景与适用人群

LingBot-World 2.0 的价值集中在「需要可交互、可长时间演化、且要被反复修改」的场景，以下四类最能体现它的用途。

• 游戏原型与关卡预演：用文本提示与镜头控制快速生成可探索场景，先验证玩法与节奏，再进入美术生产环节。
• 具身智能与机器人训练：世界模型提供可交互环境，开发者可基于因果预训练底座做后训练与场景适配。
• 交互式内容创作：小时级连续生成让长时间直播式演示、互动短片与虚拟场景漫游具备可行性。
• 研究与教学：1.3B 版可在高校实验室与个人单卡环境里复现、改造并测试新的交互设计。

适用人群：个人开发者、高校实验室与小型团队，具身智能与机器人方向的研究者，以及需要低成本验证交互式内容创意的游戏与影视团队。

LingBot-World 2.0 的使用方法

1. 获取权重与代码：在 LingBot-World 2.0 官方仓库 查看说明，并从 Hugging Face 或魔搭社区下载 Small 1.3B、Bidirectional 或 Causal Pretrain 权重。
2. 准备本地环境：Small 版面向消费级单卡 GPU，按仓库文档配置推理依赖后即可尝试实时生成。
3. 选择输入方式：相机位姿用于控制移动与视角，文本提示用于改变局部事件与世界状态。
4. 继续训练与蒸馏：从 Causal Pretrain 或 Bidirectional 出发做后训练、蒸馏与压缩，适配具体场景。

LingBot-World 2.0的官方资源

• 项目官网：https://technology.robbyant.com/lingbot-world-v2
• GitHub仓库：https://github.com/robbyant/lingbot-world-v2
• HuggingFace模型库：https://huggingface.co/robbyant/lingbot-world-v2-14b-causal-fast
• arXiv技术论文：https://arxiv.org/pdf/2607.07534

LingBot-World 2.0 的价格与开源情况

LingBot-World 2.0 以开源方式免费提供，官方未对模型本身设置调用费用，实际投入主要是本地部署所需的 GPU 算力与显存。1.3B 小模型把门槛压到单张消费级显卡，14B 主模型要跑出高清实时体验则仍需更高规格的推理配置，算力预算需要按目标分辨率与帧率来估。

LingBot-World 2.0 的代码、权重与技术报告在本轮开源中一并开放，项目主页、GitHub 仓库、Hugging Face 与魔搭社区均已提供入口，官方公告暂未逐项列出许可证与商用条款，落地到商业项目之前需要以仓库与模型卡上的许可说明为准。

LingBot-World 2.0 的常见问题