Ang isang mapa ay lumilikha ng mundong 3D na hindi humihinto: LingBot-World 2.0 Open Today, 60fps Interact

Ang pandaigdig na modelo ng track na ito at ang isa pang malalim na bomba ng tubig ay inihulog. Noong 9 Hulyo, opisyal na inilabas ng Robyant ang LingBot-World 2.0 (salias LingBot-World-Infinity), lahat ng tatlong set ng mga papeles, kodigo at modelong mga pabigat ay ginawang publiko. Sa pagkakataong ito, nginuya nila ang dalawa sa pinakamahirap na modelo sa mundo: "Infinite Time" at "The Randomly Transformed World".

Una sa lahat, ang pinakamagaang na bilang: 720p, 60fps, walang hangganang tagal. Hindi ito "halos infinity" - ito ay talagang hindi mapigilang interaksiyon sa konteksto ng pre-causal training - habang ang iyong GPU ay patuloy na nag-eebolb, ang modelo ay maaaring malikha at ang kalidad ng output ay hindi guguho sa paglipas ng panahon. Ang paghahambing ng bersyon 1.0 ay maaari lamang magpanatili ng matatag na henerasyon sa loob ng halos 10 minuto, at ang henerasyon ay ganap na ganap.

Apat na core upgrades: mula sa "Magagamit" hanggang sa "Fun."

Ang LingBot-World 2.0 ay nagdadala ng apat na dimensiyon ng pagbabagong qualitative, na ang bawat isa ay tumatama sa kirot ng modelong pandaigdig.

1 Di - tiyak na Interaktibong Haba

Ito ang pinakamalakas na pagsulong sa nuklear. Ang Version 1.0, bagaman sumusuporta sa matatag na salinlahi na halos 10 minuto, sa wakas ay may kisame. 2.0 Ginagamit ang isang bit-designed causal pre-training paradigm (causal pretraining paradigm), ang mga modelo ay maaaring magkamit ng walang hangganang interaksiyong tagal habang pinananatili ang lapot sa katangiang output. Sa simpleng pananalita, ang iyong papel ay maaaring magpatuloy sa daigdig, ang larawan ay hindi lumala at ang pisikal na lohika ay hindi lumala.

Ang teknikal na susi ay ang disenyo ng slide window ng KV Cache. Hindi nakikita ng modelo ang lahat ng makasaysayang balangkas, subalit pinananatili nitong kitang - kita ang balangkas ng lababo pati na ang kamakailang N frame KV cache, kumikilos na parang umaagos na ilog. Ang long-range lapot ay natitiyak at ang nakikitang pagkonsumo ay kinokontrol.

2 60fps tunay na tugon ng oras

Bersiyong 1.0 ay 16FPS na may pagkaantalang wala pang isang segundo. 2.0 distill ang real-time na bersyon direkta sa 720p60fps. Ito ay hindi pre-supried video playback, ito ay real-time production -- i-print mo ang button, ang imahe ay tumutugon agad. Sa pamamagitan ng modelong mga teknik sa distilasyon, ang pangkat ay nakakuha ng magaang na real-time na variable mula sa 14B base model, na, habang pinananatili ang kalidad ng imahe, ay lubhang nabawasan ang pag-antala ng katwiran.

3 Mas Mayamang mga elemento

Pangunahin nang sinusuportahan ng Bersiyong 1.0 ang pagkontrol sa kamera (pag - ikot, pag - ikot) at base aksyon (paglukso, paglukso). 2.0 Lubhang pinalawak ang set ng aksiyon: mga pag-atake, pag-aalsa ng palaso, aplikasyon, buong suporta sa pagbaril. Ang mas mahalaga ay ang pagpapakilala ng mga text-flown na mga sistema ng pangyayari – Maaari mong gamitin ang mga salita upang baguhin ang estado ng mundo, tulad ng "Call a chair" at "Liks a bulaklak," at ang mga modelo ay maaaring lumikha ng katumbas na nilalaman at umangkop sa eksena sa tunay na panahon.

4 Pagiging Ahente: AI bilang direktor

Ito ang pangharap-line pagtatangka. Nagtipon ang pangkat ng isang matalinong balangkas sa pandaigdig na modelo, na may dalawang papel:

• Punong Ahente.: Pananagutan sa pagpaplano at pagpapatupad ng papel na ginagampanan, pagtiyak kung saan ang papel at kung paano ito kumikilos
• Ahente ng Direktor.: upang gumawa ng bagong mga elemento sa kapaligiran at lumikha ng bagong nilalaman habang ang tanawin ay nagpapatuloy

Tulad ito ng modelo mismo ay maaaring maging isang game engine at game planner, at kailangan mo lamang bigyan ito ng isang larawan at isang paglalarawan, at ito ay maaaring tumakbo sa sarili nito sa isang evolving mundo.

Modelong detalye: 14B flagship + 1.3B liwanag

Sa pagkakataong ito, dalawang modelo ang inilabas:

• 14B flagship: paglalaan ng causal-fast (causal rapid pangangatwiran), causal-pretrain (causal-action pre-training), bidirectional (dalawang-way) tatlong variant, na puno ng dugo
• bersyon ng 1.3B Light: magbigay ng causal-fast at causal-pretrain variant upang suportahan ang isahang paggamit ng GPU

Ang bersyong 14B ay nangangailangan ng walong GPU running docs sa parallel, upang ang 1.3B bersyon na isahang card ay makatakbo. Ang dalawang bersiyong ito ay nakasiksik na sa Huging Face at ModelScope. 1.0 ay isang Apache 2.0 maluwag na pahintulot at 2.0 ay binabago sa CC BY-NC-SA 4.0 (non-commercial).

Paano?

Ang kodigo ay batay sa Wan2.2 na itinayo sa pamamagitan ng isang pamantayang proseso ng pagkakabit:

Ikinalulungkot ko, Ikinalulungkot ko, sorry, sorry, sorry, Ikinalulungkot ko, ikinalulungkot ko.
cd lingbot-world-v2
Pip install-r reviews.txt
Iinstall ng Pip ang flash-attn-no-build-isolation

Download model weights (halimbawa 14B causal-fast):

Iba Pang Organiser

Magsagawa ng 480P na pangangatuwiran:

EX&CHFFFFFFFFFFiON\cH00FF00} Torchrun -nproc kada node=8generate.py
– task i2v-A14B – sukat 480*832 \
–ckpt dir lingbot-world-v2-14b-causal-fast\
-Himagsikang halimbawa/03/larawan.jpg
– action path halimbawa/03 \
–dit fsdp–t5 fsdp–ulyses na sukat na 8 \
–frame num 361 – lokal na attn na laki 18–sink na sukat 6 \
- Dalian, "Pakisuyong gumawa ng eksena sa tabi ng isang kaliwang puno na nakatayo sa kalmadong tubig..."

Paglalarawan ng mga susing parameter:
– Ikinalulungkot ko. Ang posteng ito ay bahagi ng aming pantanging sakop na Africa num.: Generate frames, 361 frames, mga 22 segundo @16fp, ngunit maaaring mas malaki sa ilalim ng causal katwiran
– Ikinalulungkot ko. lokal na sukat: Ituon ang pansin sa isang lugar, kontrolin kung ilang makasaysayang balangkas sa bawat hakbang
– Ikinalulungkot ko. sukat ng lababo: Maraming balangkas ng angkla, na iniingatan ang unang mga balangkas bilang pangglobong konteksto

Online Test Channel

Hindi walong kard A100? Ito ay okay, ang koponan ay nagbibigay ng dalawang online adaptation platform:

• Sa Ibayong Dagat: reactor.inc/lingbot-world-v2, web-end play
• Bahay (liwanag):lingguang.com/suporta, mobile phone access

Gayundin, sa katapusan ng Hulyo, magkakaroon ng isang opisyal na buong Demo stand sa WAIC 2026 (World Congress of Artificial Intelligence) na nagnanais maranasan ang isang full-blooded na bersyon nito at pumunta sa eksena.

Segment programme: Itinatag ng SGLang ang suporta

Kung plano mong i-set ang iyong sarili, orihinal na sinuportahan ng SGLang ang LingBot-World 2.0's real-time na pang-isipang landas. Sinusundan nito ang WebSocket + MessagePack protocol, kung saan ang server ay nagpapanatili ng isang aktibong sesyon, gumagawa ng mga video frame nang isa-isa, at sumusuporta sa mga dynamic reception control na pangyayari (cam-actions, text agarang pagbabago, atbp.) habang tumatakbo.

Ang pangunahing API ay /v1/realtime_video/generate WebSocket endpoint, ang kliyente ay nag-uugnay at nagpapadala ng mga init na mensahe (kabilang ang mga frame, advanced, dimensiyon, FPS, atbp.) at pagkatapos ay maaari kang patuloy na magpadala ng mga mensahe ng pangyayari upang i-update ang eksena. Kabilang sa suportadong mga uri ng pangyayari ang mga maagap na update, mga aksiyon ng kamera, at kabuuang input.

Kumusta naman ang Google Genee 3?

Nang ilabas ang bersyong 1.0, malinaw na itinuro ng pangkat ang Google Genee 3. Mula 1.0 hanggang 2.0, hindi lamang napapatag ang puwang, kundi ang sukat ng puwang ay pabaligtad:

• Haba: AngGenie 3 ay may limitadong tagal na vs LingBot 2.0 unbound
• Resolusyon/FPS: Ang Genie 3 detalyadong detalye ng mga detalye na vs LingBot 2.0 ay espesipikong 720p @60fps
• Open Source Level: Genie 3 saradong source vs LingBot 2.0 full open source (papel + code + timbang)
• Di - aktibong Kasaganaan: Ang Agetic Harness, LingBot 2.0, ang unang larangan ng modelo sa daigdig

Mga Kahinaan at mga pagkukulang

Ang sumusunod na mga limitasyon ay makatuwirang sinasabi:

• Ang 14B ay nangangailangan ng 8 karat ng GPU, na walang mas mababang pasukan.
• Para sa 2.0 lisensiyang nagbabasa ng CC BY-NC-SA 4.0, ang negosyo ay nangangailangan ng hiwalay na pahintulot
• Nilinaw ng pangkat na hindi nito ilalabas ang kodigo ng paglalagay at kakailanganing sumangguni sa SGLang o flash dreams.
• Ang reality-time 60fps version ay isang distilisadong light variant, na teoretikal na mas mababa sa 14B.

Ano ang ibig sabihin niyan?

Ang modelong pandaigdig ay gumagalaw mula sa isang "produksiyonaryong Demo" tungo sa isang "magagamit na produkto". Ang tatlong mahahalagang pagsulong sa LingBot-World 2.0 — walang katapusang tagal, real-time na tugon, smart drive — ay tumutugma sa mga pangunahing pangangailangan ng laro, virtual world, robotic training at tatlong application.

Gunigunihin: isang larawan at isang teksto na maaaring lumikha ng isang 3D na daigdig na maaari mong malayang galugarin at huwag na huwag hihinto, kung saan ikaw ay may isang mahikong karakter, isang nagkataong bagong bagay, isang kapaligiran na nag - uugnay sa iyo. Hindi ito kathang - isip ng siyensiya. Ito ang kodigo na maaaring tumakbo ngayon.

Mula LingBot-Depth (space perception) hanggang sa LingBot-VLA (pisikal na desisyon-gawa) hanggang sa LingBot-World (world recognition), kasama ang bagong bukas na source na LingBot-Map (real-time construction), isang kumpletong katawan ng matalinong teknolohiya ang nagawa. Ang modelong pandaigdig ay isa sa mga critical puzzle - nagpapahintulot ito sa AI hindi lamang upang maunawaan ang mundo kundi upang likhain din ito.

Isang mapa, isang salita, isang walang - hanggang daigdig. Ito ang taong 2026 ng modelong pandaigdig.

Project address: Github.com/Robbyant/lingbot-world-v2
Mga papel: arxiv.org/abs/2607.07534
Online test: reactor.inc/lingbot-world-v2