От едно изображение към свят, който никога не спира: LingBot-World 2.0 днес стана open source — неограничена интеракция на 60 fps

В надпревата на световните модели отново падна дълбоководна бомба. На 9 юли екипът на Ant Lingbo (Robbyant) официално пусна като open source LingBot-World 2.0 (с кодово име LingBot-World-Infinity) — статията, кодът и теглата на модела са публични в пълен комплект. Този път отборът „изгриза“ двата най-трудни ореха в областта на световните модели — „неограничена продължителност“ и „свят със случайни промени“.

Първо най-гръмките числа: 720p, 60 fps, неограничена продължителност. Не „почти неограничена“, а наистина безгранична интеракция в рамките на каузалната предтренировъчна парадигма — докато GPU-то ви получава захранване, моделът може да генерира безкрай, без качеството да се разпада с времето. В сравнение с версия 1.0, която устоява около 10 минути стабилна генерация, това поколение вдига летвата до максимум.

Четири основни подобрения: от „работещо“ към „забавно“

LingBot-World 2.0 носи качествени промени по четири измерения, като всяка от тях уцелва точно болните точки на световните модели.

① Неограничена продължителност на интеракцията

Това е най-сериозният пробив. Версия 1.0 поддържаше около 10 минути стабилна генерация, но все пак имаше таван. 2.0 използва внимателно проектирана каузална предтренировъчна парадигма (causal pretraining paradigm), така че моделът може да постигне неограничена продължителност на интеракцията, без да губи качество на изхода. Проще казано: героят ви може да тича из света без спиране — картината не става все по-мъглява, а физическата логика не се разпада.

Технически ключът е плъзгащият прозорец на KV Cache. Моделът не наблъсква всички исторически кадри във видеопаметта, а пази KV кеш от sink-кадри (котви) плюс последните N кадъра и върви напред като течаща река. Така се гарантира дългосрочна последователност и едновременно се контролира потреблението на памет.

② Реална реакция на 60 fps

Версия 1.0 беше 16 FPS със закъснение под секунда. 2.0 дестилира realtime версията директно до 720p 60 fps. Това не е предварително рендирано видео, а истинска генерация в реално време — натиснете клавиш и картината реагира мигновено. Чрез дестилиране на модела екипът извлича лек realtime вариант от 14B базовия модел, което рязко съкращава латентността при запазено качество на картината.

③ По-богати интерактивни елементи

Версия 1.0 поддържаше предимно управление на камерата (преместване, въртене) и базови действия (напред, скок). 2.0 значително разширява набора от действия: атака, стрелба с лък, магии и стрелба с оръжие — всичко е налице. Още по-важното е въведената текстово-управлявана система за събития — можете да променяте състоянието на света с описание на естествен език, например „призови един стол“ или „покажи едно цвете“, а моделът генерира съответното съдържание в реално време и го вплита в сцената.

④ Agentic Harness: AI-ят сам става режисьор

Това е най-авангардният експеримент. Екипът е вградил агентна рамка в световния модел с две роли:

• Pilot Agent (агент-пилот) – планира и изпълнява поведението на героя, решава накъде да върви и какви действия да върши
• Director Agent (агент-режисьор) – синтезира нови елементи на средата и динамично генерира ново съдържание в хода на сцената

С други думи, моделът сам може да действа като игрови двигател плюс гейм дизайнер — вие му давате едно изображение и текстово описание, а той разгръща постоянно еволюиращ свят.

Спецификации на моделите: 14B флагман + 1.3B лек

Този път са издадени модели в два размера:

• 14B флагманска версия – предлага вариантите causal-fast (бързо каузално изпълнение), causal-pretrain (каузално предобучение) и bidirectional (двупосочен), с пълна производителност
• 1.3B лека версия – предлага вариантите causal-fast и causal-pretrain, поддържа разгръщане на един GPU

Версията 14B изисква 8 GPU за паралелно изпълнение, а 1.3B върви на една карта. Двете версии вече са качени в HuggingFace и ModelScope. 1.0 е с разрешителната Apache 2.0, а 2.0 преминава на CC BY-NC-SA 4.0 (некомерсиална).

Как да го пуснете

Кодът е изграден върху Wan2.2 и инсталацията е съвсем стандартна:

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

Изтеглете теглата на модела (пример с 14B causal-fast):

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

Пускане на каузално изпълнение в 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…”

Обяснение на ключовите параметри:
– frame_num: брой генерирани кадри — 361 кадъра са около 22 s при 16 fps, но при каузално изпълнение може да се зададе по-голяма стойност
– local_attn_size: размер на прозореца на локалното внимание — колко исторически кадъра гледа всяка стъпка
– sink_size: брой котвени кадри — първите няколко кадъра се запазват като глобален контекст

Как да пробвате онлайн

Нямате осем A100? Няма проблем — екипът предлага две онлайн платформи за опитване:

• Зад граница (Reactor): reactor.inc/lingbot-world-v2 — играете директно в браузъра
• В Китай (Lingguang): lingguang.com/support — достъпно и от телефон

Освен това на WAIC 2026 (Световната конференция по изкуствен интелект) в края на юли ще има официален щанд с пълна демонстрация — ако искате да опитате пълната версия, отидете тогава на място.

Разгръщане: SGLang вече поддържа нативно

Ако смятате да разгърнете сами, SGLang вече нативно поддържа realtime пътя на LingBot-World 2.0. Използват се протоколите WebSocket + MessagePack: сървърът поддържа активна сесия, генерира видео кадър по кадър (chunk по chunk) и приема динамично събития за управление по време на работа (движения на камерата, промяна на текстов prompt и др.).

Основният API е /v1/realtime_video/generate WebSocket крайна точка — след свързване клиентът първо праща init съобщение (с първия кадър, prompt, размер, FPS и други параметри), а след това може непрекъснато да изпраща event съобщения за обновяване на сцената. Поддържаните типове събития са три: обновяване на prompt, движения на камерата и комбиниран вход.

Как се сравнява с Google Genie 3?

Още при излизането на 1.0 екипът се позиционира директно срещу Google Genie 3. От 1.0 към 2.0 разликата не само бе изравнена — по някои измерения дори е изпреварена:

• Продължителност: Genie 3 има ограничена продължителност, а LingBot 2.0 — без граници
• Резолюция/FPS: Genie 3 не публикува подробни спецификации, а LingBot 2.0 декларира ясно 720p@60fps
• Отвореност: Genie 3 е затворен, а LingBot 2.0 е изцяло open source (статия + код + тегла)
• Богатство на интеракцията: Agentic Harness на LingBot 2.0 е първо по рода си в областта на световните модели

Ограничения и недостатъци

Обективно казано, няколко ограничения:

• Версията 14B изисква 8 GPU — прагът не е нисък (1.3B облекчава този проблем)
• Лицензът на 2.0 вече е CC BY-NC-SA 4.0 — за търговска употреба е необходимо отделно разрешение
• Екипът ясно заявява, че няма да публикува код за разгръщане — трябва сами да се ориентирате по SGLang или flashdreams
• Realtime 60fps версията е дестилиран лек вариант — на теория качеството ѝ отстъпва на пълните 14B

Какво това означава

Световните модели преминават от „демо в лабораторията“ към „полезен продукт“. Трите ключови пробива на LingBot-World 2.0 — неограничена продължителност, реакция в реално време и управление чрез агенти — отговарят точно на основните нужди на трите големи приложения: игри, виртуални светове и обучение на роботи.

Замислете се: едно изображение и едно изречение — и AI генерира 3D свят, който можете да изследвате свободно и който никога не спира, с герои, хвърлящи магии, случайно появяващи се нови обекти и непрекъснато еволюираща среда. Това вече не е научна фантастика — това е код, който може да се пусне още днес.

От LingBot-Depth (пространствено възприятие) през LingBot-VLA (въплътени решения) до LingBot-World (симулация на свят), плюс новия open source LingBot-Map (картографиране в реално време), екипът на Ant Lingbo вече е изградил пълна технологична платформа за въплътен интелект. Световният модел е решаващото парче от пъзела — той позволява на AI не само да „разбира“ света, но и да го „създава“.

Едно изображение, едно изречение, един безкраен свят. Това е 2026-а за световните модели.

Адрес на проекта: github.com/Robbyant/lingbot-world-v2
Статия: arxiv.org/abs/2607.07534
Онлайн пробване: reactor.inc/lingbot-world-v2