最适合机器人的视频基座模型，被中国团队开源了

在 AI 视频生成领域，最适座模中国一个长期存在的合机痛点是物理常识的缺失。

你是器人否见过这样的画面：水从杯中倒出却像果冻般悬浮？手未触碰抽屉，抽屉却自行滑开？频基对普通观众而言，这仅是型被视觉上的“穿帮”；但对于正在学习动作的机器人而言，这却是团队致命的误导。

若将此类视频作为训练数据喂给具身智能大模型，开源模型会将“生成失误”误读为“物理规律”，最适座模中国从而习得错误的合机因果逻辑——即“无需接触即可移动物体”。

这正是器人当前视频生成行业的尴尬现状：过去两年，从 Sora 到 Veo，频基头部玩家竞相追求画质、型被时长与美学，团队却忽视了物理一致性。开源一段 4K 高清视频可能连“物体不会凭空消失”这一基本常识都无法保证。最适座模中国

视频生成的下一阶段，正从单一的“内容创作”分化为两条路径：
1. 服务创作：追求极致的视觉表达与美学。
2. 服务机器人：作为理解与预测物理世界的工具。

蚂蚁灵波（Ant Lingbo）选择了后者，并正式开源了 LingBot-Video。这是一个专为具身智能设计的视频生成基座模型，采用 DiT（Diffusion Transformer）预训练范式，旨在解决机器人训练中的核心难题。

核心差异：从“视觉风格”到“物理交互”

通用视频模型侧重于画面变化、镜头运动及视觉风格；而 LingBot-Video聚焦于动作、任务、交互及物理环境变化。它面向世界预测、动作理解及机器人训练，构建了全新的视频生成基座。

围绕这一目标，蚂蚁灵波在架构、数据、训练三个层面进行了系统性创新：

1. 架构创新：MoE 视频框架

引入混合专家（Mixture of Experts, MoE）机制，支持动态稀疏激活。
* 优势：在扩展模型容量以建模复杂时空动态的同时，显著提升推理效率。
* 设计：在 Single-Stream DiT 基础上，将 Dense FFN 替换为 Token-choice Sparse MoE 层，借鉴 DeepSeekMoE 思路，划分共享专家（通用先验）与路由专家（专门化模式），减少任务干扰。

2. 数据工程：机器人增强语料库

构建互联网规模视频与机器人操作、导航、第一人称视角（Ego-centric）数据集的融合语料库。
* 注入先验：向模型注入明确的具身先验和交互先验。
* 结构化处理：通过 Data Profiling Engine 和 World-Knowledge Topological Graph，将非结构化视频转化为可检索、筛选的结构化资产，并生成层级化文本描述以提供细粒度语义监督。

3. 训练机制：多维度奖励系统

在审美目标之外，纳入物理合理性和任务成功信号。
* 多维奖励：包括视觉质量、文本-视频对齐、动态程度、运动连贯性、人体运动一致性及物理合理性。
* 强化学习：使用 GRPO（Group Relative Policy Optimization）最大化多维奖励，确保模型生成的视频符合物理世界规律。

为什么机器人需要面向具身智能的视频基模？

1. 数据稀缺与 Sim-to-Real Gap

• 真实数据昂贵：机器人动作数据需在物理环境中采集，即便如 Open X-Embodiment 这样的开源数据集，其体量也远不及互联网文本或视频语料。
• 仿真局限：仿真环境虽可无限生成数据，但存在 Sim-to-Real Gap（仿真到现实的差距）。虚拟世界中练成的技能，因难以穷尽真实物理细节，往往在现实世界中失效。

2. 具身智能的缺失环节

具身智能亟需介于“真实采集”与“仿真”之间的能力：
* 具备视频模型的生成规模。
* 严格遵守真实物理世界的约束。
* 生成的内容不仅是“像视频”，更是“真实动作后的结果”。

LingBot-Video 通过学习海量视频和具身数据，掌握“动作之后会发生什么”（如门推开后的空间变化、物体被抓起后的状态变化），从而成为机器人训练中的数据生成器、策略评估器及动作规划器。

技术深度解析：LingBot-Video 的三重设计

一、架构：稀疏 MoE 与级联式设计

1. 稀疏 MoE 解决容量与效率矛盾

视频生成涉及空间纹理、时间运动、流体变化等复杂因素。传统 Dense 模型所有 Token 共享同一套 FFN 参数，易导致任务干扰。
* MoE 机制：通过路由机制，让 Token 选择部分专家参与计算。
* 效果：扩大总参数容量以容纳更多物理先验，同时控制每个 Token 的实际激活计算量，避免推理成本线性暴涨。

2. 实验验证：Scaling Law 与效率

• 训练优势：MoE 13B-A1.4B 在训练损失和验证损失上显著优于 Dense 1.3B。在等价计算约束下，稀疏 MoE 总参数容量提升 10 倍，有效缓解特征容量瓶颈。
• 跨规模优势：MoE 30B-A3B 表现接近 Dense 14B，证明容量-计算解耦提升了 Scaling 效率。
• 推理效率：在 1M Token 长序列下，MoE 30B-A3B 相比 Dense 6B/14B/30B，速度比分别达到 1.50× / 2.59× / 3.18×。

3. 级联式精修（Cascaded Refinement）

• 流程：基础生成器在 480p 下建模整体运动与布局 -> 精修器（Refiner）上采样至 1080p 补充细节。
• 价值：降低高分辨率生成的计算压力，提升生成稳定性。

二、数据：五阶段课程学习（Data Curriculum）

蚂蚁灵波构建了集成化数据基础设施，实施五阶段训练策略：

三、奖励：多维 GRPO 强化学习

摒弃单一的人类偏好评分，设计六类多维奖励：

1. 视觉质量：清晰度、保真度、Caption 对齐。
2. 文本-视频对齐：基于结构化实体、动作和时间窗口的 VQA 检查，惩罚时间幻觉。
3. 动态程度：避免静态视频，评估运动强度（1-5分映射）。
4. 运动连贯性：确保标准帧率下的自然运动节奏。
5. 人体运动一致性：纠正面部畸变、肢体错误、拓扑结构异常。
6. 物理合理性（核心）：评估运动因果、物体恒常性、非穿透关系、材料与刚体运动规律。

应用场景：从内容生成到机器人大脑

LingBot-Video 使视频模型从“内容生产工具”升级为“机器人大脑的基础能力层”，承担三大角色：

1. 数据引擎（Data Engine）：
2. 低成本生成海量训练样本，扩展任务、场景和动作组合，弥补真实数据采集的不足。
3. 策略评估器（Policy Evaluator）：
4. 作为物理环境的代理，在真机部署前进行可行性预演与安全评估。
5. 提前识别并过滤失败策略，降低试错成本。
6. 动作规划器（Action Planner）：
7. 像“GPS 导航”一样，根据目标自动计算机械臂的最优轨迹、步骤及姿态，输出连续动作序列。

性能评估：物理世界模拟能力的实证

团队在内部 Benchmark 上对 LingBot-Video 进行了全面评估，涵盖通用质量与具身领域，对比 NVIDIA Cosmos 3、Wan 2.2、LongCat-Video、Hunyuan Video 1.5 及 LTX-2.3。

1. 图文生视频（TI2V）

• 结果：LingBot-Video 在所有开源竞品中取得SOTA（最先进）表现，通用质量与具身领域得分均排名第一。
• 意义：证明其在模拟精确物理轨迹（如机械臂操作、避障）方面具备更强能力。

2. 文生视频（T2V）

• 结果：通用质量排名第二，但具身领域得分持续优于 Cosmos 等基线。
• 意义：即便无初始图像条件，模型仍展现出稳健的内生物理先验，这对具身 AI 至关重要。

3. 动作到视频（A2V）泛化测试

• 测试集：EgoDex Eval 和 DreamDojo-HV Eval（包含训练集中未出现的新物体和新动作）。
• 结果：LingBot-Video-A2V 展现出优秀的分布外（OOD）动作跟随能力，证明其并非记忆训练轨迹，而是真正理解了物理交互规律。

结语：开源的意义与未来挑战

蚂蚁灵波开源 LingBot-Video，不仅是技术的输出，更是范式的开放。

• 降低门槛：提供可复现、可迭代的 MoE 架构与具身训练范式，降低具身智能研究门槛。
• 社区检验：将模型置于更公开的审视下，推动行业标准建立。

坦诚面对挑战：
尽管取得了突破，但长时序一致性、柔性物体/液体复杂物理交互建模、视频预测与真实控制策略的闭环，以及具身视频评测标准的建立，仍是待解之谜。

LingBot-Video 选择了一条艰难但正确的路：让视频模型从“好看”走向“有用”，从“内容生成”走向“物理世界理解”。这不仅是一个模型的开源，更是整个研究社区共同探索具身智能未来的起点。

资源链接：
* 项目主页：technology.robbyant.com/lingbot-video
* GitHub：github.com/robbyant/lingbot-video
* Hugging Face：huggingface.co/robbyant/lingbot-video
* ModelScope：ModelScope Collection

本文地址：https://www.xyaji.com/html/50f80099149.html