时间：2026年7月9日
地点：中国
人物：蚂蚁灵波科技
事件详情：蚂蚁灵波科技于7月9日正式开源LingBot-Video，这是全球首个基于Mixture-of-Experts（MoE）架构、面向具身智能的开源视频生成基础模型。LingBot-Video采用DiT+MoE设计，30B总参数模型在生成时仅激活约3B参数，相比同等参数规模的Dense架构拥有约3倍的推理效率。模型构建了数据画像引擎，引入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等场景，总规模达7万小时的具身数据。此外还引入了多维强化学习奖励系统，围绕物理合理性和任务完成度进行对齐。同日，蚂蚁灵波还开源了实时交互世界模型LingBot-World 2.0，支持无限世界实时交互。
背景：蚂蚁灵波科技是蚂蚁集团旗下的具身智能子公司。视频生成模型正分化出两条技术路线：一条面向内容创作（影院级），另一条面向机器人（物理世界理解）。LingBot-Video属于后者，专注于为机器人提供物理合理性的视觉理解和预测能力。当前视频生成模型虽然在画质和流畅度上进步迅速，但对于具身智能来说，逼真的画面未必反映真实物理规律，难以支撑机器人连续预测、规划和执行任务。LingBot-Video正是为解决这一核心挑战而设计的。
影响：
- LingBot-Video的开源填补了具身智能领域视频基模的空白，为全球机器人研究社区提供了重要基础设施
- MoE架构将推理效率提升3倍，降低了具身智能模型部署的硬件门槛
- 7万小时具身数据的引入使模型更注重物理合理性和任务完成度，而非仅追求画面质量
- 中国在具身智能开源生态中的影响力进一步提升，蚂蚁灵波成为该赛道的重要参与者
总结：蚂蚁灵波开源的LingBot-Video是全球首个面向具身智能的MoE视频生成基础模型，通过架构创新（DiT+MoE）、数据创新（7万小时具身数据）和训练创新（多维强化学习）三大系统创新，为机器人领域的视频理解和预测提供了全新的开源解决方案。同时开源的LingBot-World 2.0进一步丰富了具身智能的开源生态。
参考来源：
- https://www.ithome.com/0/974/517.htm
- https://www.ithome.com/0/974/508.htm
- https://so.html5.qq.com/page/real/search_news?docid=70000021_4406a4f47c745452
- https://so.html5.qq.com/page/real/search_news?docid=70000021_3966a4f23c672152
- https://so.html5.qq.com/page/real/search_news?docid=70000021_8506a4f210895552
- https://so.html5.qq.com/page/real/search_news?docid=70000021_0986a4f289120752