De una imagen a un mundo 3D infinito: LingBot-World 2.0 se abre hoy en código, 60fps sin límites

En la carrera de los modelos de mundo, alguien acaba de lanzar otra bomba de profundidad. El 9 de julio, el equipo Robbyant de Ant publicó oficialmente en open source LingBot-World 2.0 (con el nombre en clave LingBot-World-Infinity), con el trío completo: paper, código y pesos del modelo. Esta vez se han comido los dos huesos más duros de los modelos de mundo: la "duración ilimitada" y el "mundo con variaciones aleatorias".

Empecemos por las cifras más espectaculares: 720p, 60fps, duración ilimitada. No es "casi ilimitada": es una interacción verdaderamente sin límites bajo el paradigma de preentrenamiento causal; mientras tu GPU no se apague, el modelo puede seguir generando indefinidamente, y la calidad de salida no se degrada con el tiempo. Comparado con la versión 1.0, que solo mantenía una generación estable durante unos 10 minutos, esta generación lo lleva al máximo.

Cuatro mejoras clave: de "funciona" a "es divertido"

LingBot-World 2.0 trae un salto de calidad en cuatro dimensiones, y cada una ataca un punto débil de los modelos de mundo.

① Duración de interacción sin límites

Este es el avance más duro de lograr. La versión 1.0 ya permitía una generación estable de casi 10 minutos, pero tenía un techo. La 2.0 adopta un paradigma de preentrenamiento causal cuidadosamente diseñado (causal pretraining paradigm), que permite una duración de interacción sin límite manteniendo una calidad de salida consistente. En pocas palabras: tu personaje puede correr por el mundo sin parar, la imagen no se vuelve cada vez más borrosa y la lógica física no se descontrola.

La clave técnica está en el diseño de ventana deslizante del KV Cache. El modelo no mete todos los fotogramas históricos en la memoria de vídeo; conserva el KV cache de los frames ancla (sink frames) más los N frames más recientes, avanzando como un río en flujo. Así garantiza la coherencia a largo plazo y controla el consumo de memoria de vídeo.

② Respuesta en tiempo real a 60fps

La versión 1.0 era de 16 FPS con latencia de menos de 1 segundo. La 2.0 destila la versión en tiempo real directamente a 720p 60fps. No es un vídeo pregrabado en reproducción: es generación en tiempo real de verdad; pulsas una tecla y la imagen responde al instante. Mediante destilación de modelos, el equipo extrajo del modelo base de 14B una variante ligera en tiempo real que comprime enormemente la latencia de inferencia sin sacrificar la calidad de imagen.

③ Elementos de interacción más ricos

La versión 1.0 se limitaba al control de cámara (desplazamiento, rotación) y a acciones básicas (avanzar, saltar). La 2.0 amplía mucho el repertorio: atacar, disparar flechas, lanzar hechizos y disparar, todo soportado. Y lo más importante: incorpora un sistema de eventos por texto: puedes describir con palabras cambios en el estado del mundo, como "invocar una silla" o "hacer aparecer una flor", y el modelo genera el contenido en tiempo real y lo integra en la escena.

④ Agentic Harness: la IA se convierte en directora

Este es el intento más vanguardista. El equipo integró en el modelo de mundo un framework de agentes con dos roles:

• Pilot Agent (agente piloto): se encarga de planificar y ejecutar el comportamiento del personaje, decidiendo hacia dónde va y qué acciones realiza
• Director Agent (agente director): se encarga de sintetizar nuevos elementos del entorno, generando contenido nuevo dinámicamente a medida que avanza la escena

Es decir, el modelo por sí solo funciona como motor de juego + diseñador de juego: solo tienes que darle una imagen y una descripción en texto, y él solo genera un mundo en constante evolución.

Especificaciones del modelo: 14B insignia + 1.3B ligero

En esta ocasión se publican dos tamaños del modelo:

• Versión insignia 14B: ofrece tres variantes —causal-fast (inferencia causal rápida), causal-pretrain (preentrenamiento causal) y bidirectional (bidireccional)— con el rendimiento al máximo
• Versión ligera 1.3B: ofrece las variantes causal-fast y causal-pretrain, y se despliega en una sola GPU

La versión 14B necesita 8 GPUs para inferencia en paralelo multi-GPU; la 1.3B funciona en una sola tarjeta. Ambas versiones ya están subidas a HuggingFace y ModelScope. La 1.0 usaba la licencia permisiva Apache 2.0; la 2.0 cambia a CC BY-NC-SA 4.0 (no comercial).

Cómo ponerlo en marcha

El código se basa en Wan2.2, y el proceso de instalación es muy estándar:

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

Descargar los pesos del modelo (por ejemplo, los del 14B causal-fast):

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

Ejecutar una inferencia causal a 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…”

Explicación de los parámetros clave:
– frame_num: número de fotogramas generados; 361 frames equivalen a unos 22 segundos a 16fps, aunque con inferencia causal se puede fijar un valor mayor
– local_attn_size: tamaño de la ventana de atención local; controla cuántos frames históricos mira en cada paso
– sink_size: número de frames ancla; conserva los primeros fotogramas como contexto global

Cómo probarlo en línea

¿No tienes 8 A100? No pasa nada: el equipo ofrece dos plataformas para probarlo en línea:

• Internacional (Reactor): reactor.inc/lingbot-world-v2, se juega directamente en el navegador
• China (Lingguang): lingguang.com/support, se puede probar desde el móvil

Además, a finales de julio habrá un stand oficial con demo completa en la WAIC 2026 (Conferencia Mundial de Inteligencia Artificial); si quieres probar la versión a pleno rendimiento, pásate por allí.

Despliegue: SGLang ya lo soporta de forma nativa

Si piensas desplegarlo por tu cuenta, SGLang ya soporta de forma nativa la ruta de inferencia en tiempo real de LingBot-World 2.0. Funciona sobre WebSocket + protocolo MessagePack: el servidor mantiene una sesión activa, genera fotogramas de vídeo chunk a chunk y admite la recepción dinámica de eventos de control en tiempo de ejecución (movimientos de cámara, cambios de prompt de texto, etc.).

La API principal es un /v1/realtime_video/generate endpoint WebSocket: tras conectarse, el cliente envía primero un mensaje init (con la imagen del primer frame, el prompt, las dimensiones, los FPS y otros parámetros) y después puede enviar mensajes event de forma continua para actualizar la escena. Los tipos de evento soportados son tres: actualización de prompt, movimientos de cámara e entrada compuesta.

¿Cómo se compara con Google Genie 3?

Ya en el lanzamiento de la 1.0, el equipo declaró abiertamente que competía con Google Genie 3. De la 1.0 a la 2.0, la brecha no solo se ha cerrado: en algunos aspectos la han superado:

• Duración: Genie 3 con duración limitada vs. LingBot 2.0 sin límites
• Resolución/FPS: Genie 3 sin especificaciones detalladas publicadas vs. LingBot 2.0 con 720p@60fps confirmados
• Grado de apertura: Genie 3 cerrado vs. LingBot 2.0 totalmente abierto (paper + código + pesos)
• Riqueza de la interacción: el Agentic Harness de LingBot 2.0 es una primicia en el campo de los modelos de mundo

Límites y carencias

Con objetividad, algunos puntos débiles:

• La versión 14B necesita 8 GPUs; la barrera de entrada no es baja (la 1.3B alivia este problema)
• La licencia de la 2.0 cambia a CC BY-NC-SA 4.0; el uso comercial requiere una licencia aparte
• El equipo ha declarado claramente que no publicará código de despliegue; tendrás que apoyarte por tu cuenta en SGLang o flashdreams
• La versión en tiempo real a 60fps es una variante ligera destilada; en teoría su calidad de imagen es inferior a la del 14B a pleno rendimiento

¿Y esto qué significa?

Los modelos de mundo están pasando de la "demo de laboratorio" al "producto utilizable". Los tres avances clave de LingBot-World 2.0 —duración ilimitada, respuesta en tiempo real y conducción por agentes— corresponden exactamente a las necesidades esenciales de los tres grandes escenarios de aplicación: videojuegos, mundos virtuales y entrenamiento de robots.

Imagínalo: con una imagen y un texto, la IA genera un mundo 3D que puedes explorar libremente y que nunca se detiene, con personajes que lanzan hechizos, objetos nuevos que aparecen al azar y un entorno en evolución constante. Ya no es ciencia ficción: es código que hoy mismo puedes ejecutar.

El equipo Robbyant de Ant, desde LingBot-Depth (percepción espacial) a LingBot-VLA (decisión encarnada) y LingBot-World (simulación de mundo), junto con el recién abierto LingBot-Map (mapeo en tiempo real), ya ha construido una pila tecnológica completa de inteligencia encarnada. El modelo de mundo es la pieza más decisiva del rompecabezas: permite que la IA no solo "entienda" el mundo, sino que también lo "cree".

Una imagen, una frase, un mundo infinito. Así es 2026 para los modelos de mundo.

Proyecto: github.com/Robbyant/lingbot-world-v2
Paper: arxiv.org/abs/2607.07534
Prueba en línea: reactor.inc/lingbot-world-v2