Nekonečný 3D svět z jediného obrázku: LingBot-World 2.0 je dnes open source, 60 fps bez hranic

Na poli world modelů někdo opět odpálil hlubinnou nálož. 9. července tým Robbyant (Ant Lingbo) oficiálně otevřeně vydal LingBot-World 2.0 (krycí název LingBot-World-Infinity) – paper, kód i váhy modelu, celá sada je veřejná. Tentokrát se zakousli do dvou nejtěžších kostí world modelů: neomezené délky trvání a náhodně se měnícího světa.

Začněme nejúdernějšími čísly: 720p, 60 fps, neomezená délka. Nejde o „téměř nekonečno“, ale o skutečně neohraničenou interakci v rámci kauzálního pretraining paradigmatu – dokud vaše GPU neztratí napájení, model generuje dál a kvalita výstupu se v čase nezhroutí. Oproti verzi 1.0, která udržela stabilní generování necelých 10 minut, jde tato generace naplno.

Čtyři hlavní vylepšení: od „funkčního“ k „zábavnému“

LingBot-World 2.0 přináší kvalitativní změnu ve čtyřech dimenzích a každá míří přímo na slabá místa world modelů.

① Neohraničená délka interakce

To je nejtvrdší průlom. Verze 1.0 sice podporovala stabilní generování téměř po dobu 10 minut, ale přece jen měla horní hranici. Verze 2.0 využívá pečlivě navržené kauzální pretraining paradigma (causal pretraining paradigm), takže model může při zachování konzistentní kvality výstupu dosáhnout neomezené délky interakce. Jednoduše řečeno: vaše postava může ve světě běžet donekonečna, obraz se nebude stále více rozmazávat a fyzikální logika se nerozpadne.

Klíčem je technicky sliding-window design KV Cache. Model nezahlcuje VRAM všemi historickými snímky, ale udržuje sink snímky (kotvící snímky) plus KV cache posledních N snímků a postupuje vpřed jako tekoucí řeka. Zajišťuje tak dlouhodobou konzistenci a zároveň drží spotřebu paměti na uzdě.

② Odezva v reálném čase při 60 fps

Verze 1.0 měla 16 FPS a latenci pod 1 sekundu. Verze 2.0 destilovala realtime verzi rovnou na 720p 60 fps. Není to přehrávání předem vyrenderovaného videa, ale skutečné generování v reálném čase – stisknete klávesu a obraz okamžitě reaguje. Tým pomocí destilace modelu extrahoval z 14B základního modelu odlehčenou realtime variantu, která při zachování kvality obrazu výrazně stlačila inferenční latenci.

③ Bohatší interaktivní prvky

Verze 1.0 podporovala především ovládání kamery (posun, rotaci) a základní pohyby (pohyb vpřed, skok). Verze 2.0 sadu akcí výrazně rozšiřuje: útok, střelba z luku, sesílání kouzel i střelba jsou nyní podporovány. Důležitější je zavedení textem řízeného systému událostí – můžete slovně popsat změnu stavu světa, například „přivolat židli“ nebo „vytvořit květinu“, a model odpovídající obsah vygeneruje v reálném čase a zapojí jej do scény.

④ Agentic Harness: AI jako režisér

To je nejpokročilejší pokus. Tým integroval do world modelu agentní framework se dvěma rolemi:

• Pilot Agent (pilotní agent): plánuje a vykonává chování postavy, rozhoduje, kam postava půjde a jakou akci provede
• Director Agent (režijní agent): zodpovídá za syntézu nových prvků prostředí a dynamicky generuje nový obsah, jak se scéna posouvá vpřed

Jinými slovy, model sám dokáže zastat roli herního enginu i herního designéra – stačí mu dát jeden obrázek a textový popis a on si sám rozběhne neustále se vyvíjející svět.

Specifikace modelů: 14B vlajková loď + 1.3B odlehčená

Vydány byly dva velikostní varianty modelu:

• 14B vlajková verze: nabízí tři varianty – causal-fast (rychlá kauzální inference), causal-pretrain (kauzální pretraining) a bidirectional (obousměrná) – s plným výkonem
• 1.3B odlehčená verze: nabízí varianty causal-fast a causal-pretrain a podporuje nasazení na jedné GPU

Verze 14B vyžaduje 8 GPU pro paralelní inferenci na více kartách, verze 1.3B zvládne běh na jediné kartě. Obě verze jsou již nahrány na HuggingFace a ModelScope. Verze 1.0 měla volnou licenci Apache 2.0, verze 2.0 přechází na CC BY-NC-SA 4.0 (nekomerční).

Jak to rozběhnout

Kód je postaven na Wan2.2 a instalační postup je zcela standardní:

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

Stažení vah modelu (například 14B causal-fast):

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

Spuštění kauzální inference v 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…”

Vysvětlení klíčových parametrů:
– frame_num: počet generovaných snímků; 361 snímků je zhruba 22 sekund při 16 fps, ale při kauzální inferenci lze nastavit i více
– local_attn_size: velikost okna lokální pozornosti, určuje, kolik historických snímků model v každém kroku vidí
– sink_size: počet kotvících snímků, prvních několik snímků se zachovává jako globální kontext

Možnosti online vyzkoušení

Nemáte 8× A100? Nevadí, tým připravil dvě platformy pro online vyzkoušení:

• Zahraničí (Reactor): reactor.inc/lingbot-world-v2, hratelné přímo ve webovém prohlížeči
• Čína (Lingguang): lingguang.com/support, k vyzkoušení i z mobilu

Kromě toho bude na konci července na WAIC 2026 (World Artificial Intelligence Conference) připraven oficiální kompletní demo stánek; kdo chce vyzkoušet plnokrevnou verzi, může se tam zastavit.

Nasazení: SGLang už podporuje nativně

Pokud plánujete vlastní nasazení, SGLang už nativně podporuje realtime inferenční cestu LingBot-World 2.0. Běží na protokolu WebSocket + MessagePack, server udržuje aktivní relaci, generuje video snímky po částech a podporuje dynamické přijímání řídicích událostí za běhu (akce kamery, změny textového promptu atd.).

Hlavním API je /v1/realtime_video/generate WebSocket endpoint; po navázání spojení klient nejprve odešle init zprávu (obsahující první snímek obrázku, prompt, rozměry, FPS a další parametry) a poté může průběžně posílat event zprávy pro aktualizaci scény. Podporované typy událostí jsou tři: aktualizace promptu, akce kamery a složený vstup.

Jak si stojí v porovnání s Google Genie 3?

Při vydání verze 1.0 se tým otevřeně vymezil vůči Google Genie 3. Od verze 1.0 k 2.0 se rozdíl nejen srovnal, ale v některých dimenzích došlo i k předstihnutí:

• Délka: Genie 3 má omezenou délku vs. LingBot 2.0 bez hranic
• Rozlišení / FPS: Genie 3 nezveřejňuje podrobné specifikace vs. LingBot 2.0 s jasně danými 720p@60fps
• Míra otevřenosti: Genie 3 je uzavřený vs. LingBot 2.0 plně open source (paper + kód + váhy)
• Bohatost interakce: Agentic Harness v LingBot 2.0 je v oblasti world modelů první svého druhu

Omezení a nedostatky

Objektivně několik omezení:

• Verze 14B vyžaduje 8 GPU, což je nemalá překážka (verze 1.3B tento problém zmírňuje)
• Verze 2.0 mění licenci na CC BY-NC-SA 4.0, komerční využití vyžaduje samostatné svolení
• Tým výslovně uvádí, že nasazovací kód nezveřejní; je nutné si jej vytvořit sami podle SGLang nebo flashdreams
• Realtime verze s 60 fps je destilovaná odlehčená varianta, takže kvalita obrazu je teoreticky nižší než u plné 14B

Co to znamená

World modely se přesouvají z „laboratorního dema“ k „použitelnému produktu“. Tři klíčové průlomy LingBot-World 2.0 – neomezená délka, odezva v reálném čase a agentní řízení – přesně odpovídají hlavním požadavkům tří aplikačních scénářů: her, virtuálních světů a tréninku robotů.

Představte si to: jeden obrázek a kousek textu, a AI vygeneruje 3D svět, který můžete volně prozkoumávat a který se nikdy nezastaví, s postavami sesílajícími kouzla, náhodně se objevujícími novými objekty a neustále se vyvíjejícím prostředím. To už není sci-fi, to je kód, který si dnes můžete spustit.

Tým Robbyant – od LingBot-Depth (prostorové vnímání) přes LingBot-VLA (vtělené rozhodování) až po LingBot-World (simulace světa), plus nově open source LingBot-Map (mapování v reálném čase) – už sestavil kompletní technologický stack vtělené inteligence. World model je přitom nejdůležitějším dílkem skládačky – umožňuje AI nejen svět „chápat“, ale také jej „vytvářet“.

Jeden obrázek, jedna věta, jeden nekonečný svět. Takový je rok 2026 pro world modely.

Adresa projektu: github.com/Robbyant/lingbot-world-v2
Paper: arxiv.org/abs/2607.07534
Online vyzkoušení: reactor.inc/lingbot-world-v2