एक मानचित्र 3D की दुनिया बनाता है जो कभी नहीं रुकता है: लिंगबोट-वर्ल्ड 2.0 ओपन टुडे, 60fps इंटरैक्ट

विश्व मॉडल इस ट्रैक और एक और गहरे पानी बम गिरा दिया गया था। 9 जुलाई को, रॉबायंट ने आधिकारिक तौर पर LingBot-World 2.0 (alias LingBot-World-Infinity) जारी किया, कागज, कोड और मॉडल वजन के सभी तीन सेट सार्वजनिक किए गए थे। इस समय, उन्होंने दुनिया के सबसे कठिन मॉडलों में से दो को चबाया: "इन्फिनाइट टाइम" और "द रैंडमली चेंजिंग वर्ल्ड"।

सबसे पहले, सबसे अलग आंकड़े: 720p, 60fps, असीमित अवधि। यह "लगभग इन्फिनिटी" नहीं है - यह वास्तव में पूर्व-केशल प्रशिक्षण के संदर्भ में असंतुलित बातचीत है - जब तक आपका जीपीयू शक्ति रखता है, तब तक मॉडल उत्पन्न किया जा सकता है और उत्पादन की गुणवत्ता समय के साथ समाप्त नहीं होगी। संस्करण 1.0 की तुलना केवल लगभग 10 मिनट के लिए स्थिर पीढ़ी को बनाए रख सकती है, और पीढ़ी पूरी तरह से पूर्ण है।

चार कोर उन्नयन: "कर सकते हैं" से "Fun" तक।

LingBot-World 2.0 गुणात्मक परिवर्तन के चार आयामों को लाता है, जिनमें से प्रत्येक विश्व मॉडल के दर्द पर हमला करता है।

1 असीमित इंटरैक्टिव लंबाई

यह सबसे मजबूत परमाणु सफलता है। संस्करण 1.0, जबकि लगभग 10 मिनट की स्थिर पीढ़ी का समर्थन करता है, अंततः एक छत है। 2.0 एक अच्छी तरह से डिज़ाइन किए गए कारण पूर्व-प्रशिक्षण प्रतिमान (कैसल प्रीट्रेनिंग प्रतिमान) का उपयोग करते हुए, मॉडल उत्पादन की गुणवत्ता में स्थिरता बनाए रखते हुए एक असीमित बातचीत अवधि प्राप्त कर सकते हैं। इसे बस रखने के लिए, आपकी भूमिका दुनिया में और पर जा सकती है, तस्वीर खराब नहीं होगी और शारीरिक तर्क खराब नहीं होगा।

तकनीकी कुंजी केवी कैश की स्लाइड विंडो डिजाइन है। मॉडल दृश्यता में सभी ऐतिहासिक फ्रेम को पूरा नहीं करता है, लेकिन सिंक फ्रेम प्लस हाल ही में एन फ्रेम केवी कैश रखता है, जो बहती नदी की तरह आगे बढ़ता है। लंबी दूरी की स्थिरता सुनिश्चित की जाती है और दृश्य खपत को नियंत्रित किया जाता है।

60fps

संस्करण 1.0 एक सेकंड से कम की देरी के साथ 16FPS है। 2.0 वास्तविक समय संस्करण को सीधे 720p60fps तक डिस्टिल्ड करता है। यह एक पूर्व-अनुभवी वीडियो प्लेबैक नहीं है, यह एक वास्तविक समय का उत्पादन है - आप बटन दबाते हैं, छवि तुरंत जवाब देती है। मॉडल आसवन तकनीकों के माध्यम से, टीम ने 14B बेस मॉडल से एक हल्के वास्तविक समय का संस्करण निकाला, जो छवि की गुणवत्ता को बनाए रखते हुए, तर्क देरी को काफी कम कर दिया।

3 रिचर इंटरैक्टिव तत्वों

संस्करण 1.0 मुख्य रूप से कैमरा नियंत्रण (diversion, रोटेशन) और बेस एक्शन (प्रगति, लीपिंग) का समर्थन करता है। 2.0 कार्रवाई सेट काफी विस्तार किया गया है: हमलों, तीर-शूटिंग, आवेदन, शूटिंग के लिए पूर्ण समर्थन। अधिक महत्वपूर्ण पाठ संचालित घटना प्रणालियों की शुरूआत है - आप दुनिया की स्थिति को बदलने के लिए शब्दों का उपयोग कर सकते हैं, जैसे "कैल ए चेयर" और "एक फूल बनाएं", और मॉडल इसी सामग्री को उत्पन्न कर सकते हैं और वास्तविक समय में दृश्य में फिट हो सकते हैं।

4 Agentic Harness: AI as director

यह फ्रंट-लाइन प्रयास है। टीम ने दो भूमिकाओं के साथ विश्व मॉडल में एक बुद्धिमान ढांचे को इकट्ठा किया:

• पायलट एजेंट।:: भूमिका व्यवहार की योजना और कार्यान्वयन के लिए जिम्मेदार, यह निर्धारित करना कि भूमिका कहाँ जाती है और यह कैसे चलती है
• निदेशक एजेंटनई पर्यावरणीय तत्वों को संश्लेषित करने और नई सामग्री उत्पन्न करने के लिए क्योंकि दृश्य आगे बढ़ता है

यह मॉडल की तरह ही एक गेम इंजन प्लस गेम प्लानर हो सकता है, और आपको बस इसे एक तस्वीर और विवरण देना होगा, और यह खुद को एक विकसित दुनिया से बाहर चला सकता है।

मॉडल विनिर्देश: 14B फ्लैगशिप + 1.3B प्रकाश

इस समय, दो आकार के मॉडल जारी किए गए:

• 14B फ्लैगशिप: कारण-फास्ट (कैसल रैपिड तर्क) का प्रावधान, कारण प्रीट्रेन (कैसल-प्रभाव पूर्व-प्रशिक्षण), द्विदिशात्मक (दो-तरफा) तीन प्रकार, रक्त से भरा
• 1.3B प्रकाश संस्करण: एकल GPU तैनाती का समर्थन करने के लिए causal-fast और causal-pretrain वेरिएंट प्रदान करें

14B संस्करण के लिए समानांतर में आठ GPU चलने वाले डॉक्स की आवश्यकता होती है, ताकि 1.3B संस्करण एकल कार्ड चल सके। दोनों संस्करणों को पहले से ही हगिंगफेस और मॉडलस्कोप में अपलोड किया गया है। 1.0 एक अपाचे 2.0 लेक्स परमिट है और 2.0 को CC BY-NC-SA 4.0 (गैर वाणिज्यिक) में बदल दिया गया है।

कैसे?

कोड एक मानक स्थापना प्रक्रिया के साथ बनाया गया Wan2.2 पर आधारित है:

मुझे खेद है, मुझे खेद है, मुझे खेद है, मुझे खेद है, मुझे खेद है।
सीडी lingbot-world-v2
Pip installr review.txt
पिप फ़्लैश-attn-no-build-isolation स्थापित

मॉडल भार डाउनलोड करें (उदाहरण के लिए 14B causal-fast):

अन्य आयोजक

480P causal reasoning:

{\cHFFFFFF}{\cH00FF00} Torchrun -nproc pernode=8generate.py
-task i2v-A14B - आकार 480 * 832 \
-kpt dir lingbot-world-v2-14b-causal-fast\
-image उदाहरण/03/image.jpg
-एक्शन पथ उदाहरण / 03 \
-dit fsdp -t5 fsdp -ulysses size8
-फ्रेम संख्या 361 - स्थानीय attn आकार 18 -सिंक आकार 6 \
- Prompt, "A कृपया शांत पानी में खड़े एक बाएं पेड़ के साथ दृश्य बनाएं"

प्रमुख मापदंडों का विवरण:
- मुझे माफ़ी है। यह पोस्ट हमारे विशेष कवरेज अफ्रीका की संख्या का हिस्सा है।: उत्पन्न फ्रेम, 361 फ्रेम, लगभग 22 सेकंड @ 16fps, लेकिन कारण तर्क के तहत बड़ा हो सकता है
- मुझे माफ़ी है। स्थानीय attn आकारस्थानीय ध्यान खिड़की के आकार, नियंत्रण कितने ऐतिहासिक फ्रेम प्रत्येक कदम
- मुझे माफ़ी है। सिंक आकार: एंकर फ्रेम की संख्या, वैश्विक संदर्भ के रूप में प्रारंभिक फ्रेम बनाए रखें

ऑनलाइन टेस्ट चैनल

आठ कार्ड A100? यह ठीक है, टीम दो ऑनलाइन अनुभव प्लेटफॉर्म प्रदान करती है:

• विदेशीRector.inc/lingbot-world-v2, वेब-एंड प्ले
• घरेलू (प्रकाश की रोशनी):lingguang.com/support, मोबाइल फोन का उपयोग

इसके अलावा, जुलाई के अंत में, WAIC 2026 (World Congress ऑफ़ आर्टिफिशियल इंटेलिजेंस) में एक आधिकारिक पूर्ण डेमो स्टैंड होगा जो इसके पूर्ण-ब्लोड संस्करण का अनुभव करना चाहता है और दृश्य पर जाना चाहता है।

तैनाती कार्यक्रम: SGLang ने समर्थन स्थापित किया

यदि आप खुद को तैनात करने की योजना बनाते हैं, तो SGLang ने मूल रूप से LingBot-World 2.0 के वास्तविक समय तर्क पथ का समर्थन किया है। यह वेबसोकेट + संदेशपैक प्रोटोकॉल का अनुसरण करता है, जहां सर्वर एक सक्रिय सत्र को बनाए रखता है, एक-एक करके वीडियो फ्रेम का उत्पादन करता है, और चलते समय गतिशील रिसेप्शन कंट्रोल इवेंट्स (कैम-एक्शन, टेक्स्ट प्रॉम्प्ट चेंज आदि) का समर्थन करता है।

कोर एपीआई है /v1/realtime_video/generate WebSocket समापन बिंदु, क्लाइंट इनिट संदेश (फ्रेम्स, प्रॉम्प्ट, आयाम, FPS, आदि सहित) को जोड़ता है और फिर आप दृश्य को अद्यतन करने के लिए लगातार इवेंट संदेश भेज सकते हैं। समर्थित घटना प्रकारों में शीघ्र अद्यतन, कैमरा क्रियाओं और समग्र इनपुट शामिल हैं।

Google Genee 3 के बारे में क्या?

जब संस्करण 1.0 जारी किया गया था, तो टीम ने स्पष्ट रूप से गूगल जेनी 3 की ओर इशारा किया। 1.0 से 2.0 तक, न केवल अंतराल चिकनी है, बल्कि अंतराल के आयाम उलट दिए गए हैं:

• लंबाईGenie 3 में सीमित अवधि बनाम LingBot 2.0 अनबाउंड है
• संकल्प/FPS: जेनी 3 undisclosed विस्तृत विनिर्देशों बनाम LingBot 2.0 निर्दिष्ट 720p @ 60fps
• ओपन सोर्स लेवल: Genie 3 बंद स्रोत बनाम LingBot 2.0 पूर्ण खुला स्रोत (कागज + कोड + वजन)
• इंटरैक्टिव समृद्धि: Agetic Harness, LingBot 2.0, दुनिया का पहला मॉडल क्षेत्र है

सीमा और कमियों

निम्नलिखित सीमाओं को उद्देश्य से कहा जाता है:

• 14B को GPU के 8 कैरेट की आवश्यकता होती है, जिसमें कोई कम सीमा नहीं होती है।
• 2.0 लाइसेंस के लिए CC BY-NC-SA 4.0 पढ़ा, व्यवसाय को अलग प्राधिकरण की आवश्यकता होती है
• टीम ने यह स्पष्ट कर दिया कि यह तैनाती कोड जारी नहीं करेगा और इसे SGLang या flashdreams से परामर्श करना होगा।
• वास्तविक समय 60fps संस्करण एक आसुत प्रकाश संस्करण है, जो सैद्धांतिक रूप से 14B से कम है।

इसका क्या मतलब है?

विश्व मॉडल एक "श्रमिक डेमो" से "उपलब्ध उत्पाद" तक चल रहा है। LingBot-World 2.0 के तीन प्रमुख सफलताओं - अनंत अवधि, वास्तविक समय प्रतिक्रिया, स्मार्ट ड्राइव - खेल, आभासी दुनिया, रोबोट प्रशिक्षण और तीन अनुप्रयोगों की मुख्य जरूरतों के अनुरूप।

कल्पना: एक तस्वीर प्लस एक पाठ जो एक 3 डी दुनिया उत्पन्न कर सकता है जिसे आप स्वतंत्र रूप से खोज सकते हैं और कभी नहीं रुक सकते हैं, जहां आपके पास एक जादू चरित्र, एक यादृच्छिक नई वस्तु, एक विकसित वातावरण है। यह विज्ञान कथा नहीं है। यह वह कोड है जो आज चल सकता है।

LingBot-Depth (space धारणा) से LingBot-VLA (भौतिक निर्णय लेने) से लेकर LingBot-World (विश्व सिमुलेशन) तक, नए खुले स्रोत LingBot-Map (वास्तविक समय निर्माण) के साथ, स्मार्ट प्रौद्योगिकी का एक पूरा शरीर बनाया गया है। विश्व मॉडल सबसे महत्वपूर्ण पहेली में से एक है - यह एआई को न केवल दुनिया को समझने की अनुमति देता है बल्कि इसे बनाने की भी अनुमति देता है।

एक नक्शा, एक शब्द, एक अनंत दुनिया। यह विश्व मॉडल का वर्ष 2026 है।

परियोजना का पता: Github.com/Robbyant/lingbot-world-v2
Papers: arxiv.org/abs/2607.07534
ऑनलाइन परीक्षण: रिएक्टर.inc/lingbot-world-v2