Da un'immagine a un mondo 3D senza fine: LingBot-World 2.0 rilasciato in open source oggi, interazione senza limiti a 60fps

Nella corsa ai world model, qualcuno ha appena lanciato un'altra bomba negli abissi. Il 9 luglio il team Robbyant di Ant ha rilasciato ufficialmente in open source LingBot-World 2.0 (nome in codice LingBot-World-Infinity), pubblicando l'intero trio: paper, codice e pesi del modello. Questa volta hanno rosicchiato i due ossi più duri da mordere dei world model: la "durata infinita" e "il mondo con variazioni casuali".

Partiamo dai numeri più eclatanti: 720p, 60fps, durata illimitata. Non "quasi illimitata": è un'interazione davvero senza confini nel paradigma del pretraining causale — finché la tua GPU non si spegne, il modello continua a generare, e la qualità dell'output non degrada col passare del tempo. Rispetto alla versione 1.0, capace di una generazione stabile di quasi 10 minuti, questa generazione va dritta al massimo.

Quattro aggiornamenti chiave: da "utilizzabile" a "divertente"

LingBot-World 2.0 porta miglioramenti qualitativi su quattro dimensioni, ognuna delle quali colpisce un punto dolente dei world model.

① Durata di interazione senza limiti

È la svolta più concreta. La versione 1.0 supportava una generazione stabile di quasi 10 minuti, ma pur sempre con un tetto massimo. La 2.0 adotta un paradigma di pretraining causale progettato con cura: il modello può sostenere una durata di interazione illimitata mantenendo una qualità di output costante. In soldoni: il tuo personaggio può continuare a correre nel mondo all'infinito, l'immagine non diventa mai più sfocata e la logica fisica non va mai in confusione.

La chiave tecnica sta nella finestra scorrevole della KV Cache. Il modello non stipa tutti i frame storici nella memoria video, ma conserva la cache KV dei sink frame (frame di ancoraggio) + degli ultimi N frame, avanzando come un fiume che scorre. Così garantisce la coerenza a lungo termine e tiene sotto controllo il consumo di memoria video.

② Risposta in tempo reale a 60fps

La versione 1.0 girava a 16FPS con latenza entro 1 secondo. La 2.0 porta la versione in tempo reale direttamente a 720p 60fps con il distillation. Non si tratta di un video pre-renderizzato in riproduzione, ma di vera generazione in tempo reale: premi un tasto e l'immagine risponde all'istante. Attraverso la distillation del modello, il team ha estratto dal modello base 14B una variante leggera in tempo reale, comprimendo drasticamente la latenza di inferenza pur mantenendo la qualità dell'immagine.

③ Elementi interattivi più ricchi

La versione 1.0 supportava principalmente il controllo della telecamera (panoramica, rotazione) e azioni di base (avanzare, saltare). La 2.0 amplia notevolmente il set di azioni: attacco, tiro con l'arco, incantesimi e sparo sono tutti supportati. Ancora più importante è l'introduzione di un sistema di eventi guidato dal testo — puoi descrivere con le parole un cambiamento dello stato del mondo, ad esempio "evoca una sedia" o "fa apparire un fiore", e il modello genera in tempo reale il contenuto corrispondente integrandolo nella scena.

④ Agentic Harness: l'AI si fa regista

È l'esperimento più all'avanguardia. Il team ha integrato nel world model un framework di agenti con due ruoli:

• Pilot Agent (agente pilota): si occupa di pianificare ed eseguire i comportamenti del personaggio, decidendo dove andare e quali azioni compiere
• Director Agent (agente regista): si occupa di sintetizzare nuovi elementi ambientali, generando dinamicamente nuovi contenuti man mano che la scena procede

In pratica, il modello può fungere da motore di gioco + game designer: gli basta un'immagine e una descrizione testuale, e da solo fa evolvere un mondo in continua trasformazione.

Specifiche del modello: 14B flagship + 1.3B leggero

Questa volta sono stati rilasciati due modelli di dimensioni diverse:

• Versione flagship 14B: offre tre varianti — causal-fast (inferenza causale rapida), causal-pretrain (pretraining causale) e bidirectional (bidirezionale) — con prestazioni al top
• Versione leggera 1.3B: offre le due varianti causal-fast e causal-pretrain, con deploy su singola GPU

La versione 14B richiede 8 GPU per l'inferenza parallela multi-scheda, mentre la 1.3B gira su una singola scheda. Entrambe le versioni sono già caricate su HuggingFace e ModelScope. La 1.0 era rilasciata con la licenza permissiva Apache 2.0, la 2.0 passa a CC BY-NC-SA 4.0 (non commerciale).

Come metterlo in funzione

Il codice è costruito su Wan2.2 e la procedura di installazione è molto standard:

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

Scarica i pesi del modello (esempio con il 14B causal-fast):

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

Esegui un'inferenza causale 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…”

Spiegazione dei parametri chiave:
– frame_num: numero di frame generati; 361 frame corrispondono a circa 22 secondi @16fps, ma con l'inferenza causale si può impostare un valore maggiore
– local_attn_size: dimensione della finestra di attenzione locale, controlla quanti frame storici osservare a ogni passo
– sink_size: numero di frame di ancoraggio, conserva i primi frame come contesto globale

Come provarlo online

Non hai 8 GPU A100? Nessun problema: il team mette a disposizione due piattaforme di prova online.

• Estero (Reactor): reactor.inc/lingbot-world-v2, giocabile direttamente dal browser
• Cina (Lingguang): lingguang.com/support, esperienza disponibile su smartphone

Inoltre, alla WAIC 2026 (World AI Conference) di fine luglio ci sarà uno stand ufficiale con la demo completa: chi vuole provare la versione al massimo delle potenzialità potrà farlo dal vivo.

Deployment: SGLang già supportato nativamente

Se hai intenzione di fare il deploy da te, SGLang supporta già nativamente il percorso di inferenza in tempo reale di LingBot-World 2.0. Usa il protocollo WebSocket + MessagePack: il server mantiene una sessione attiva, genera i frame video un chunk alla volta e supporta la ricezione dinamica di eventi di controllo a runtime (azioni della telecamera, modifiche del prompt testuale e così via).

L'API principale è un /v1/realtime_video/generate endpoint WebSocket: dopo la connessione, il client invia prima un messaggio init (con i parametri come immagine del primo frame, prompt, dimensioni, FPS), e poi può continuare a inviare messaggi event per aggiornare la scena. I tipi di evento supportati sono tre: aggiornamento del prompt, azioni della telecamera e input compositi.

E il confronto con Google Genie 3?

Già al lancio della versione 1.0 il team si era posto esplicitamente come riferimento Google Genie 3. Dalla 1.0 alla 2.0 il divario non solo è stato colmato, ma in alcune dimensioni è stato superato:

• Durata: durata limitata per Genie 3 vs illimitata per LingBot 2.0
• Risoluzione/FPS: specifiche dettagliate non divulgate per Genie 3 vs 720p@60fps espliciti per LingBot 2.0
• Grado di apertura: Genie 3 closed-source vs LingBot 2.0 completamente open source (paper + codice + pesi)
• Ricchezza delle interazioni: l'Agentic Harness di LingBot 2.0 è una prima assoluta nel campo dei world model

Limiti e punti deboli

Sul piano oggettivo, qualche limite:

• la versione 14B richiede 8 GPU, quindi la soglia d'ingresso non è bassa (la versione 1.3B attenua il problema)
• la licenza della 2.0 passa a CC BY-NC-SA 4.0: per l'uso commerciale serve un'autorizzazione separata
• il team ha dichiarato esplicitamente che non rilascerà il codice di deployment: bisogna arrangiarsi guardando SGLang o flashdreams
• la versione in tempo reale a 60fps è una variante leggera ottenuta per distillation, e in teoria la qualità dell'immagine non raggiunge quella del 14B completo

Cosa significa tutto questo

I world model stanno passando da "demo di laboratorio" a "prodotti utilizzabili". I tre progressi chiave di LingBot-World 2.0 — durata illimitata, risposta in tempo reale e guida agentica — corrispondono esattamente ai bisogni fondamentali dei tre grandi scenari applicativi: giochi, mondi virtuali e addestramento della robotica.

Immagina: un'immagine e un testo, e l'AI genera un mondo 3D che puoi esplorare liberamente e che non si ferma mai, con personaggi capaci di lanciare incantesimi, nuovi oggetti che appaiono a caso e un ambiente in continua evoluzione. Non è più fantascienza: è codice che oggi si può far girare.

Il team Robbyant di Ant, da LingBot-Depth (percezione spaziale) a LingBot-VLA (decisioni embodied) fino a LingBot-World (simulazione del mondo), e con il nuovo LingBot-Map open source (mappatura in tempo reale), ha già costruito uno stack tecnologico completo per l'intelligenza embodied. Il world model è il tassello più cruciale: permette all'AI non solo di "capire" il mondo, ma anche di "crearne" uno.

Un'immagine, una frase, un mondo infinito. Questo è il 2026 dei world model.

Indirizzo del progetto: github.com/Robbyant/lingbot-world-v2
Paper: arxiv.org/abs/2607.07534
Prova online: reactor.inc/lingbot-world-v2