توليد عالم ثلاثي الأبعاد لا يتوقف أبداً من صورة واحدة: إتاحة LingBot-World 2.0 كمصدر مفتوح اليوم، وتفاعل بلا حدود بمعدل 60fps

في سباق نماذج العالم، ألقى أحدهم قنبلة عميقة جديدة مرة أخرى. في 9 يوليو، أطلق فريق Ant Lingbo (Robbyant) رسمياً إصدار LingBot-World 2.0 (الاسم الرمزي LingBot-World-Infinity) كمصدر مفتوح، مع إتاحة الورقة البحثية والشيفرة وأوزان النموذج الثلاثة جميعها للجمهور. هذه المرة، نجحوا في معالجة أصعب تحديين في نماذج العالم: «المدة غير المحدودة» و«العالم ذو التغيرات العشوائية».

لنبدأ بأبرز الأرقام المدهشة: دقة 720p، ومعدل 60fps، ومدة غير محدودة. ليس «قريباً من اللانهائية»، بل تفاعل بلا حدود حقيقي في إطار نموذج التدريب المسبق السببي – طالما أن وحدة GPU لديك لا تنقطع عن العمل، يمكن للنموذج الاستمرار في التوليد دون أن تتدهور جودة المخرجات مع مرور الوقت. مقارنةً بالإصدار 1.0 الذي كان يحافظ على توليد مستقر لمدة تقارب 10 دقائق فقط، هذا الجيل تجاوز الحدود إلى أقصى درجة.

أربع ترقيات جوهرية: من «قابل للاستخدام» إلى «ممتع»

يجلب LingBot-World 2.0 تحولاً نوعياً في أربعة أبعاد، كل واحد منها يستهدف مباشرة نقاط الضعف الأساسية في نماذج العالم.

① مدة التفاعل غير المحدودة

هذا هو الاختراق الأكثر صلابة. ورغم أن الإصدار 1.0 كان يدعم توليداً مستقراً لمدة تقارب 10 دقائق، إلا أنه كان له حد أقصى في النهاية. يعتمد الإصدار 2.0 نموذج التدريب المسبق السببي (causal pretraining paradigm) المصمم بعناية، مما يمكّن النموذج من تحقيق مدة تفاعل غير محدودة مع الحفاظ على جودة مخرجات متسقة. ببساطة: يمكن لشخصيتك أن تستمر في الجري داخل العالم إلى ما لا نهاية، دون أن تصبح الصورة أكثر ضبابية أو يزداد المنطق الفيزيائي اضطراباً.

المفتاح التقني يكمن في تصميم النافذة المنزلقة لذاكرة KV Cache. لا يقوم النموذج بحقن جميع الإطارات التاريخية في ذاكرة العرض، بل يحتفظ بإطارات sink (إطارات التثبيت) مع ذاكرة KV لأحدث N إطار، ويتقدم كنهر جارٍ. هذا يضمن الاتساق طويل المدى ويتحكم في استهلاك ذاكرة العرض في آن واحد.

② استجابة فورية بمعدل 60fps

كان الإصدار 1.0 يعمل بمعدل 16 إطاراً في الثانية وتأخير أقل من ثانية واحدة. نقل الإصدار 2.0 النسخة الفورية مباشرة إلى 720p بمعدل 60fps. هذا ليس تشغيل فيديو معروض مسبقاً، بل توليد فوري حقيقي – تضغط على مفتاح فتستجيب الصورة فوراً. ومن خلال تقنية تقطير النماذج، استخلص الفريق متغيراً خفيف الوزن يعمل في الوقت الفعلي من النموذج الأساسي بحجم 14B، مما قلص زمن الاستدلال بشكل كبير مع الحفاظ على جودة الصورة.

③ عناصر تفاعل أكثر ثراءً

كان الإصدار 1.0 يدعم بشكل أساسي التحكم بالكاميرا (التحريك والتدوير) والحركات الأساسية (التقدم والقفز). وسّع الإصدار 2.0 مجموعة الحركات بشكل كبير: الهجوم وإطلاق السهام واستحضار التعاويذ والرماية كلها مدعومة الآن. والأهم هو إدخال نظام أحداث مدفوع بالنصوص – يمكنك وصف تغييرات حالة العالم بالكلمات، مثل «استحضير كرسي» أو «إخراج زهرة»، وسيولّد النموذج المحتوى المقابل في الوقت الفعلي ويدمجه في المشهد.

④ Agentic Harness: الذكاء الاصطناعي يصبح مخرجاً بنفسه

هذه هي المحاولة الأكثر تقدماً. قام الفريق بدمج إطار عمل وكلاء ذكيين داخل نموذج العالم، يتضمن دورين:

• Pilot Agent (وكيل الطيار): مسؤول عن تخطيط وتنفيذ سلوك الشخصية، ويقرر إلى أين تتجه وما الحركات التي تقوم بها
• Director Agent (وكيل المخرج): مسؤول عن توليد عناصر بيئية جديدة، وينشئ محتوى جديداً ديناميكياً مع تقدم المشهد

بعبارة أخرى، يمكن للنموذج بنفسه أن يعمل كمحرّك ألعاب + مصمم ألعاب؛ كل ما تحتاجه هو منحه صورة ووصفاً نصياً، وسيشغّل عالماً يتطور باستمرار من تلقاء نفسه.

مواصفات النماذج: نسخة رائدة 14B + نسخة خفيفة 1.3B

أُطلقت في هذه المرة نماذج بحجمين:

• النسخة الرائدة 14B: تقدم ثلاثة متغيرات هي causal-fast (استدلال سببي سريع) وcausal-pretrain (تدريب مسبق سببي) وbidirectional (ثنائي الاتجاه)، بأداء كامل القوة
• النسخة الخفيفة 1.3B: تقدم متغيرين هما causal-fast وcausal-pretrain، وتدعم النشر على وحدة GPU واحدة

تتطلب نسخة 14B ثماني وحدات GPU للاستدلال المتوازي متعدد البطاقات، بينما يمكن تشغيل نسخة 1.3B على بطاقة واحدة. تم رفع النسختين بالفعل إلى HuggingFace وModelScope. الإصدار 1.0 كان بترخيص Apache 2.0 المتساهل، بينما تحول الإصدار 2.0 إلى CC BY-NC-SA 4.0 (غير تجاري).

كيفية التشغيل

الشيفرة مبنية على Wan2.2، وعملية التثبيت معيارية تماماً:

git clone https://github.com/robbyant/lingbot-world-v2.git
cd lingbot-world-v2
pip install -r requirements.txt
pip install flash-attn –no-build-isolation

تنزيل أوزان النموذج (بأخذ 14B causal-fast كمثال):

huggingface-cli download robbyant/lingbot-world-v2-14b-causal-fast –local-dir ./lingbot-world-v2-14b-causal-fast

تشغيل استدلال سببي بدقة 480P:

torchrun –nproc_per_node=8 generate.py \
–task i2v-A14B –size 480*832 \
–ckpt_dir lingbot-world-v2-14b-causal-fast \
–image examples/03/image.jpg \
–action_path examples/03 \
–dit_fsdp –t5_fsdp –ulysses_size 8 \
–frame_num 361 –local_attn_size 18 –sink_size 6 \
–prompt “A serene lakeside scene with a lone tree standing in calm water…”

شرح المعاملات الرئيسية:
– frame_num: عدد الإطارات المولّدة؛ 361 إطاراً تعادل حوالي 22 ثانية عند 16fps، ولكن يمكن ضبط قيمة أكبر في الاستدلال السببي
– local_attn_size: حجم نافذة الانتباه المحلي، ويتحكم في عدد الإطارات التاريخية التي يُنظر إليها في كل خطوة
– sink_size: عدد إطارات التثبيت، حيث تُحفظ الإطارات الأولى كسياق عام

قنوات التجربة عبر الإنترنت

لا تملك ثماني بطاقات A100؟ لا مشكلة، يوفر الفريق منصتين للتجربة عبر الإنترنت:

• دولياً (Reactor): reactor.inc/lingbot-world-v2، العب مباشرة من متصفح الويب
• داخل الصين (Lingguang): lingguang.com/support، متاح للتجربة على الهاتف المحمول

بالإضافة إلى ذلك، سيكون هناك جناح عرض تجريبي رسمي كامل في مؤتمر WAIC 2026 (المؤتمر العالمي للذكاء الاصطناعي) في نهاية يوليو، ومن يرغب في تجربة النسخة كاملة القوة يمكنه الذهاب إلى الموقع في ذلك الوقت.

خيار النشر: SGLang يدعم أصلاً

إذا كنت تخطط للنشر بنفسك، فإن SGLang يدعم أصلاً مسار الاستدلال الفوري لـ LingBot-World 2.0. يعتمد على بروتوكول WebSocket + MessagePack، حيث يحافظ الخادم على جلسة نشطة، ويولّد إطارات الفيديو جزءاً بجزء (chunk)، ويدعم استقبال أحداث التحكم ديناميكياً أثناء التشغيل (حركات الكاميرا، وتغييرات الـ prompt النصية وغيرها).

الـ API الأساسي هو /v1/realtime_video/generate نقطة نهاية WebSocket؛ بعد اتصال العميل، يرسل أولاً رسالة init (تحتوي على صورة الإطار الأول، والـ prompt، والأبعاد، ومعدل FPS وغيرها من المعاملات)، ثم يمكنه الاستمرار في إرسال رسائل event لتحديث المشهد. تشمل أنواع الأحداث المدعومة ثلاثة أنواع: تحديث الـ prompt، وحركات الكاميرا، والمدخلات المركبة.

كيف يقارن مع Google Genie 3؟

عند إطلاق الإصدار 1.0، أعلن الفريق بوضوح أنه يوازي Google Genie 3. ومن الإصدار 1.0 إلى 2.0، لم يُسد الفجوة فحسب، بل تم تجاوزها في بعض الأبعاد:

• المدة: Genie 3 بمدة محدودة مقابل LingBot 2.0 غير المحدود
• الدقة/FPS: Genie 3 لم تكشف المواصفات التفصيلية مقابل LingBot 2.0 معلناً بوضوح 720p@60fps
• درجة الانفتاح: Genie 3 مغلق المصدر مقابل LingBot 2.0 مفتوح المصدر بالكامل (ورقة + شيفرة + أوزان)
• ثراء التفاعل: إن Agentic Harness في LingBot 2.0 هو الأول من نوعه في مجال نماذج العالم

القيود والعيوب

بموضوعية، إليك بعض القيود:

• تتطلب نسخة 14B ثماني بطاقات GPU، والحد ليس منخفضاً (نسخة 1.3B خففت هذه المشكلة)
• تحول ترخيص الإصدار 2.0 إلى CC BY-NC-SA 4.0، والاستخدام التجاري يتطلب ترخيصاً منفصلاً
• أعلن الفريق بوضوح أنه لن يطلق شيفرة النشر، وسيحتاج المرء إلى الاعتماد على نفسه مسترشداً بـ SGLang أو flashdreams
• النسخة الفورية بمعدل 60fps هي متغير خفيف مُقطَّر، وجودة الصورة فيها نظرياً أقل من نسخة 14B كاملة القوة

ماذا يعني هذا

تنتقل نماذج العالم من «عرض تجريبي في المختبر» إلى «منتج قابل للاستخدام». الاختراقات الثلاثة الرئيسية في LingBot-World 2.0 – المدة غير المحدودة، والاستجابة الفورية، والتشغيل بواسطة الوكلاء – تتوافق تماماً مع الاحتياجات الأساسية لثلاثة سيناريوهات تطبيقية كبرى: الألعاب والعوالم الافتراضية وتدريب الروبوتات.

تخيّل: صورة واحدة + نص، وينشئ الذكاء الاصطناعي عالماً ثلاثي الأبعاد يمكنك استكشافه بحرية ولا يتوقف أبداً، فيه شخصيات تستحضر التعاويذ وأجسام جديدة تظهر عشوائياً وبيئة تتطور باستمرار. هذا لم يعد خيالاً علمياً، بل شيفرة يمكن تشغيلها اليوم.

من LingBot-Depth (الإدراك المكاني) إلى LingBot-VLA (اتخاذ القرارات الملموسة) ثم LingBot-World (محاكاة العالم)، ومع LingBot-Map (رسم الخرائط الفوري) المفتوح المصدر حديثاً، أقام فريق Ant Lingbo حزمة تقنية كاملة للذكاء الملموس. نموذج العالم هو قطعة البازل الأكثر أهمية فيه – فهو يمكّن الذكاء الاصطناعي ليس فقط من «فهم» العالم، بل أيضاً من «إبداعه».

صورة واحدة، جملة واحدة، عالم لا نهائي. هذا هو عام 2026 لنماذج العالم.

عنوان المشروع: github.com/Robbyant/lingbot-world-v2
الورقة البحثية: arxiv.org/abs/2607.07534
تجربة عبر الإنترنت: reactor.inc/lingbot-world-v2