Hasilkan dunia 3D yang tak pernah berhenti dari satu gambar: LingBot-World 2.0 resmi open-source hari ini, interaksi tanpa batas 60fps

Di lintasan world model, lagi-lagi ada yang melempar bom kedalaman. Pada 9 Juli, tim Ant Lingbo (Robbyant) resmi merilis LingBot-World 2.0 secara open-source (dengan nama kode LingBot-World-Infinity), dengan tiga paket lengkap: paper, kode, dan bobot model. Kali ini, mereka berhasil mengatasi dua tantangan tersulit dalam world model: durasi tanpa batas dan dunia dengan variasi acak.

Mari mulai dari beberapa angka paling mencolok: 720p, 60fps, durasi tanpa batas. Bukan hampir tanpa batas, melainkan interaksi tanpa batas sejati dalam paradigma pretraining kausal—selama GPU Anda masih menyala, model bisa terus menghasilkan tanpa henti, dan kualitas output tidak menurun seiring waktu. Dibandingkan versi 1.0 yang hanya mampu mempertahankan generasi stabil selama hampir 10 menit, generasi ini benar-benar maksimal.

Empat peningkatan inti: dari bisa dipakai menjadi menyenangkan

LingBot-World 2.0 membawa lompatan kualitatif dalam empat dimensi, dan masing-masing menyasar titik nyeri world model.

① Durasi interaksi tanpa batas

Ini terobosan paling hardcore. Versi 1.0 memang mendukung generasi stabil hampir 10 menit, tapi tetap ada batasnya. Versi 2.0 memakai paradigma pretraining kausal (causal pretraining paradigm) yang dirancang cermat, sehingga model dapat mencapai durasi interaksi tanpa batas sambil menjaga konsistensi kualitas output. Sederhananya: karakter Anda bisa terus berlari di dalam dunia tanpa gambar yang makin buram dan tanpa logika fisika yang makin kacau.

Kunci teknisnya ada pada desain sliding window KV Cache. Model tidak memasukkan semua frame historis ke memori GPU, melainkan menyimpan KV cache berupa frame sink (frame jangkar) + N frame terakhir, bergerak maju bagai sungai yang mengalir. Cara ini menjamin konsistensi jangka panjang sekaligus mengendalikan konsumsi memori.

② Respons real-time 60fps

Versi 1.0 adalah 16FPS dengan latensi di bawah 1 detik. Versi 2.0 langsung mendistilasi versi real-time ke 720p 60fps. Ini bukan pemutaran video pra-render, melainkan generasi real-time sungguhan—Anda menekan tombol, layar langsung merespons. Melalui teknik distilasi model, tim mengekstrak varian real-time yang ringan dari model dasar 14B, memadatkan latensi inferensi secara drastis sambil menjaga kualitas gambar.

③ Elemen interaksi yang lebih kaya

Versi 1.0 terutama mendukung kontrol kamera (pan, rotasi) dan aksi dasar (maju, lompat). Versi 2.0 memperluas set aksi secara besar-besaran: menyerang, memanah, merapal sihir, dan menembak semuanya didukung. Yang lebih penting, hadir sistem event berbasis teks—Anda bisa mengubah keadaan dunia dengan deskripsi teks, misalnya memanggil sebuah kursi atau memunculkan sebuah bunga, dan model akan menghasilkan konten terkait secara real-time lalu memadukannya ke dalam skenario.

④ Agentic Harness: AI menjadi sutradara itu sendiri

Ini percobaan paling mutakhir. Tim mengintegrasikan kerangka agen ke dalam world model, berisi dua peran:

• Pilot Agent (agen pilot): bertugas merencanakan dan mengeksekusi perilaku karakter, menentukan ke mana karakter bergerak dan aksi apa yang dilakukan
• Director Agent (agen sutradara): bertugas menyintesis elemen lingkungan baru, menghasilkan konten baru secara dinamis seiring berjalannya skenario

Artinya, model itu sendiri bisa berperan sebagai game engine + perancang gim sekaligus. Anda hanya perlu memberinya satu gambar dan satu deskripsi teks, dan ia bisa membangkitkan dunia yang terus berevolusi dengan sendirinya.

Spesifikasi model: flagship 14B + ringan 1.3B

Kali ini dirilis dua ukuran model:

• Versi flagship 14B: menyediakan tiga varian—causal-fast (inferensi kausal cepat), causal-pretrain (pretraining kausal), dan bidirectional (dwiarah)—dengan performa penuh
• Versi ringan 1.3B: menyediakan dua varian, causal-fast dan causal-pretrain, mendukung penerapan pada satu GPU

Versi 14B membutuhkan 8 GPU untuk inferensi paralel multi-kartu, sementara versi 1.3B bisa berjalan hanya dengan satu kartu. Kedua versi telah diunggah ke HuggingFace dan ModelScope. Versi 1.0 memakai lisensi longgar Apache 2.0, sedangkan 2.0 beralih ke CC BY-NC-SA 4.0 (non-komersial).

Cara menjalankannya

Kode dibangun di atas Wan2.2, proses instalasinya sangat standar:

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

Unduh bobot model (contoh dengan 14B causal-fast):

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

Jalankan inferensi kausal 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…”

Penjelasan parameter penting:
– frame_num: jumlah frame yang dihasilkan, 361 frame sekitar 22 detik @16fps, tapi dalam inferensi kausal bisa diatur lebih besar
– local_attn_size: ukuran jendela atensi lokal, mengendalikan berapa banyak frame historis yang dilihat pada setiap langkah
– sink_size: jumlah frame jangkar, menyimpan beberapa frame awal sebagai konteks global

Saluran mencoba secara online

Tidak punya 8 kartu A100? Tidak masalah, tim menyediakan dua platform pengalaman online:

• Luar negeri (Reactor): reactor.inc/lingbot-world-v2, main langsung dari peramban
• Dalam negeri (Lingguang): lingguang.com/support, bisa dicoba di ponsel

Selain itu, pada WAIC 2026 (Konferensi Dunia Kecerdasan Artifisial) akhir Juli nanti akan ada booth demo lengkap resmi; yang ingin merasakan versi penuh bisa datang ke lokasi saat itu.

Skema penerapan: SGLang sudah mendukung secara native

Jika Anda berencana menerapkan sendiri, SGLang sudah mendukung jalur inferensi real-time LingBot-World 2.0 secara native. Ia memakai protokol WebSocket + MessagePack; server mempertahankan satu sesi aktif, menghasilkan frame video chunk demi chunk, dan mendukung penerimaan event kontrol dinamis saat runtime (aksi kamera, perubahan prompt teks, dll.).

API intinya adalah /v1/realtime_video/generate endpoint WebSocket; setelah terhubung, klien pertama-tama mengirim pesan init (berisi parameter seperti gambar frame pertama, prompt, ukuran, FPS), lalu dapat terus mengirim pesan event untuk memperbarui skenario. Tiga jenis event yang didukung: pembaruan prompt, aksi kamera, dan input komposit.

Bagaimana dibandingkan dengan Google Genie 3?

Sejak rilis versi 1.0, tim telah secara eksplisit membidik Google Genie 3. Dari 1.0 ke 2.0, kesenjangannya bukan hanya tertutup, beberapa dimensi bahkan sudah mendahului:

• Durasi: Genie 3 durasi terbatas vs LingBot 2.0 tanpa batas
• Resolusi/FPS: Genie 3 belum membuka spesifikasi rinci vs LingBot 2.0 jelas 720p@60fps
• Tingkat keterbukaan: Genie 3 closed-source vs LingBot 2.0 sepenuhnya open-source (paper + kode + bobot)
• Kekayaan interaksi: Agentic Harness milik LingBot 2.0 adalah yang pertama di bidang world model

Keterbatasan dan kekurangan

Secara objektif, ada beberapa keterbatasan:

• Versi 14B membutuhkan 8 kartu GPU, ambang masuknya tidak rendah (versi 1.3B meredakan masalah ini)
• Lisensi 2.0 berubah menjadi CC BY-NC-SA 4.0, penggunaan komersial membutuhkan lisensi terpisah
• Tim secara eksplisit menyatakan tidak akan merilis kode penerapan; Anda perlu merujuk SGLang atau flashdreams sendiri
• Versi real-time 60fps adalah varian ringan hasil distilasi, kualitas gambarnya secara teori tidak sebaik 14B versi penuh

Apa artinya ini

World model sedang bergerak dari demo laboratorium menuju produk yang benar-benar bisa dipakai. Tiga terobosan kunci LingBot-World 2.0—durasi tanpa batas, respons real-time, dan penggerakan berbasis agen—tepat menjawab kebutuhan inti tiga skenario penerapan besar: gim, dunia virtual, dan pelatihan robotika.

Bayangkan: satu gambar + satu paragraf teks, dan AI bisa membangkitkan dunia 3D yang bisa Anda jelajahi bebas tanpa pernah berhenti, berisi karakter yang bisa merapal sihir, objek baru yang muncul secara acak, dan lingkungan yang terus berevolusi. Ini bukan lagi fiksi ilmiah—ini kode yang bisa Anda jalankan hari ini.

Dari LingBot-Depth (persepsi spasial) ke LingBot-VLA (pengambilan keputusan embodied), lalu LingBot-World (simulasi dunia), ditambah LingBot-Map (pemetaan real-time) yang baru di-open-source, tim Ant Lingbo telah membangun tumpukan teknologi kecerdasan embodied yang lengkap. World model adalah potongan puzzle terpenting di dalamnya—ia membuat AI tidak hanya bisa memahami dunia, tetapi juga menciptakan dunia.

Satu gambar, satu kalimat, satu dunia tanpa batas. Inilah tahun 2026 bagi world model.

Alamat proyek: github.com/Robbyant/lingbot-world-v2
Paper: arxiv.org/abs/2607.07534
Coba online: reactor.inc/lingbot-world-v2