时间：2026年7月9日
地点：中国杭州
人物：蚂蚁集团旗下蚂蚁灵波科技
事件详情：7月9日，蚂蚁灵波科技正式开源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拥有30B总参数，采用DiT+MoE架构设计，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倍的推理效率提升。模型还构建了数据画像引擎，在海量互联网视频基础上引入了VLA、VLN、Ego等机器人相关数据，涵盖灵巧操作、机器人移动和第一视角交互等场景，总规模达7万小时。训练方面，模型引入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，确保生成的视频不仅仅是视觉上逼真，更能真实反映物理规律。
背景：过去几年，视频生成模型在画质和创意表达上取得快速进步。但对于具身智能来说，一个看起来逼真的视频未必能反映真实物理规律，难以支撑机器人连续预测、规划和执行任务。同时，具身智能还要求模型具备更高的推理效率以适应实时交互。这使视频生成开始出现两条不同演进方向：一条通向内容创作，另一条通向机器人理解物理世界。蚂蚁灵波在7月9日还同步开源了实时交互世界模型LingBot-World 2.0，支持更丰富的交互动作、小时级稳定运行以及多人同时进入同一个虚拟世界。此前Robbyant也已发布LingBot-VLA 2.0机器人视觉语言动作模型，蚂蚁灵波的模型矩阵正在构建完整的具身智能技术栈。
影响：
- LingBot-Video的开源将大幅降低具身智能领域的研究门槛，使全球开发者都能使用MoE视频基模进行机器人训练和仿真
- 蚂蚁灵波同时开源视频基模与世界模型，形成从视频生成到交互仿真的完整技术栈，推动具身智能加速发展
- MoE架构在具身智能领域的应用验证了稀疏激活方案在大规模视觉模型中的可行性，为行业提供了新的技术参考
总结：蚂蚁灵波开源LingBot-Video标志着具身智能视频生成技术的一个重要里程碑。相较于面向内容创作的常规视频生成模型，LingBot-Video从底层架构上重新设计了视频预训练范式，使AI生成内容真正服务于机器人理解和交互物理世界。配合同时开源的LingBot-World 2.0世界模型，蚂蚁灵波正在打造涵盖视频理解、世界模拟和动作执行的完整开源体系，有望加速全球具身智能研究和应用的产业化进程。
参考来源：
- https://www.ithome.com/0/974/517.htm
- https://www.ithome.com/0/974/508.htm
- https://www.marktechpost.com/2026/07/08/lingbot-vla-2-0/
- https://www.theverge.com/ai-artificial-intelligence
- https://techcrunch.com/category/artificial-intelligence/