日本語

← 一覧に戻る

1枚の画像から止まらない3D世界を生成：LingBot-World 2.0が本日オープンソース化、60fpsの無制限インタラクション

itadol5j

世界モデルというこの競技場に、また一発の深水爆弾が投げ込まれた。7月9日、Ant Lingboチーム（Robbyant）はLingBot-World 2.0（コード名：LingBot-World-Infinity）を正式にオープンソース公開した。論文、コード、モデル重みの3点セットがすべて公開されている。今回、彼らは「無限の長さ」と「ランダムに変化する世界」という、世界モデルで最も難しい二つの骨をかじり倒したのだ。

LingBot World 2.0 世界モデル

まず最も衝撃的な数字から：720p、60fps、無限の長さ。「無限に近い」ではなく、因果事前学習パラダイムにおける真の無制限インタラクションだ。GPUの電源が切れない限り、モデルは生成を続けられ、しかも出力品質は時間とともに崩れない。安定生成が約10分が限界だった1.0版と比べ、今回は一気に上限まで引き上げた。

4つの核心的アップグレード：「使える」から「面白い」へ

LingBot-World 2.0は4つの次元で質的変化をもたらし、その一つひとつが世界モデルのペインポイントを突いている。

① 無制限のインタラクション時間

これが最もヘビー級のブレークスルーだ。1.0版は約10分の安定生成に対応していたものの、結局は上限があった。2.0は入念に設計された因果事前学習パラダイム（causal pretraining paradigm）を採用し、出力品質の一貫性を保ったまま無上限のインタラクション時間を実現した。簡単に言えば、キャラクターは世界の中を永遠に走り続けられる。画面がどんどんボケることも、物理ロジックがどんどん崩れることもない。

技術面の鍵はKV Cacheのスライディングウィンドウ設計にある。モデルはすべての過去フレームをVRAMに詰め込むのではなく、sinkフレーム（アンカーフレーム）＋直近NフレームのKVキャッシュを保持し、流れる川のように前へ進む。長期的な一貫性を保証しつつ、VRAM消費も抑えている。

無限時間の世界生成

② 60fpsリアルタイム応答

1.0版は16FPS、遅延1秒以内だった。2.0はリアルタイム版を一気に720p 60fpsへ蒸留した。これは事前レンダリングされた動画の再生ではなく、真のリアルタイム生成だ。キーを押せば、画面は即座に応答する。チームはモデル蒸留技術により、14Bベースモデルから軽量リアルタイム変体を抽出し、画質を保ったまま推論遅延を大幅に圧縮した。

③ より豊富なインタラクション要素

1.0版が主に対応していたのはカメラ操作（パン、回転）と基本アクション（前進、ジャンプ）だった。2.0はアクションセットを大幅に拡張し、攻撃、弓射撃、魔法詠唱、射撃すべてに対応した。さらに重要なのはテキスト駆動のイベントシステムの導入で、文章で世界の状態を変えられる。たとえば「椅子を召喚する」「花を出す」と書けば、モデルがリアルタイムで対応する内容を生成し、シーンに溶け込ませる。

④ Agentic Harness：AIが自ら監督になる

これは最も先端的な試みだ。チームは世界モデルにエージェントフレームワークを統合した。含まれるのは2つの役割：

  • Pilot Agent（パイロットエージェント）：キャラクターの行動の計画と実行を担当し、キャラクターがどこへ向かい、どんなアクションを取るかを決める
  • Director Agent（ディレクターエージェント）：新しい環境要素の合成を担当し、シーンの進行に合わせて動的に新しいコンテンツを生成する

つまり、モデルだけでゲームエンジン＋ゲームプランナーを兼ねられるということだ。画像1枚と文章による説明を与えるだけで、絶えず進化していく世界を自ら走り出せる。

Agentic Harness エージェントフレームワーク

モデル仕様：14Bフラッグシップ + 1.3B軽量

今回は2つのサイズのモデルがリリースされた：

  • 14Bフラッグシップ版：causal-fast（因果高速推論）、causal-pretrain（因果事前学習）、bidirectional（双方向）の3種類のバリアントを提供。フルスペック性能
  • 1.3B軽量版：causal-fastとcausal-pretrainの2種類のバリアントを提供。シングルGPUでのデプロイに対応

14B版は8枚のGPUによるマルチカード並列推論が必要だが、1.3B版は1枚で動かせる。両バージョンともHuggingFaceとModelScopeにアップロード済みだ。1.0はApache 2.0の寛容ライセンスだったが、2.0はCC BY-NC-SA 4.0（非商用）に変更された。

動かし方

コードはWan2.2をベースに構築されており、インストール手順はごく標準的だ：

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

モデル重みのダウンロード（14B causal-fastを例に）：

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

480Pの因果推論を実行する：

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…”

主要パラメータの説明：
– frame_num：生成フレーム数。361フレームは16fpsで約22秒だが、因果推論ならもっと大きく設定できる
– local_attn_size：ローカルアテンションのウィンドウサイズ。各ステップで参照する過去フレーム数を制御する
– sink_size：アンカーフレーム数。最初の数フレームをグローバルコンテキストとして保持する

オンラインで試す方法

8枚のA100がない？問題ない。チームは2つのオンライン体験プラットフォームを用意している：

  • 海外（Reactor）：reactor.inc/lingbot-world-v2。ブラウザから直接プレイできる
  • 中国国内（霊光）：lingguang.com/support。スマートフォンで体験できる

また、7月末のWAIC 2026（世界人工知能会議）では公式フルデモのブースが出展される予定で、フルスペック版を体験したい人はぜひ会場へ足を運んでほしい。

デプロイ方案：SGLangがネイティブ対応済み

自分でデプロイするつもりなら、SGLangはすでにLingBot-World 2.0のリアルタイム推論パスをネイティブサポートしている。WebSocket + MessagePackプロトコルを使い、サーバーはアクティブなセッションを維持しながらchunk単位で動画フレームを生成し、実行時に制御イベント（カメラ操作、テキストpromptの変更など）を動的に受け取れる。

中核となるAPIは /v1/realtime_video/generate WebSocketエンドポイントだ。クライアントは接続後、まずinitメッセージ（先頭フレーム画像、prompt、サイズ、FPSなどのパラメータを含む）を送信し、その後はeventメッセージを送り続けてシーンを更新できる。対応するイベントタイプは、prompt更新、カメラ操作、複合入力の3種類だ。

Google Genie 3と比べるとどうか？

1.0版のリリース時点で、チームははっきりとGoogle Genie 3を意識した対標を掲げていた。1.0から2.0にかけて、差は単に追いついただけでなく、一部の次元では逆転した：

  • 時間：Genie 3は有限時間 vs LingBot 2.0は無制限
  • 解像度/FPS：Genie 3は詳細スペック未公開 vs LingBot 2.0は明確に720p@60fps
  • オープンソース度：Genie 3はクローズドソース vs LingBot 2.0は完全オープンソース（論文＋コード＋重み）
  • インタラクションの豊富さ：LingBot 2.0のAgentic Harnessは世界モデル分野で初の試み

限界と弱点

率直にいくつかの制限を挙げると：

  • 14B版は8枚GPUが必要で、ハードルは決して低くない（1.3B版はこの問題を緩和した）
  • 2.0のライセンスはCC BY-NC-SA 4.0に変更され、商用には別途ライセンスが必要
  • チームはデプロイ用コードを公開しないと明言しており、SGLangやflashdreamsを参考に自分で組み上げる必要がある
  • リアルタイム60fps版は蒸留された軽量変体で、画質は理論上フルスペックの14Bに及ばない

これは何を意味するのか

世界モデルは「研究室のデモ」から「使えるプロダクト」へと歩み始めている。LingBot-World 2.0の3つの核心ブレークスルー――無限時間、リアルタイム応答、エージェント駆動――は、まさにゲーム、仮想世界、ロボット訓練という三大応用シーンの核心ニーズにぴたりと対応している。

想像してほしい：画像1枚＋文章1つで、AIが自由に探索でき、決して止まらない3D世界を生成する。その中には魔法を使うキャラクター、ランダムに現れる新しいオブジェクト、絶えず進化していく環境がある。これはもうSFではない。今日動かせるコードだ。

Ant Lingboチームは、LingBot-Depth（空間知覚）からLingBot-VLA（身体性意思決定）、そしてLingBot-World（世界シミュレーション）へと進み、新たにオープンソース化したLingBot-Map（リアルタイムマッピング）も加えて、完全な身体性AI技術スタックをすでに築き上げている。世界モデルはその中で最も重要なピースであり、AIが世界を「理解」できるだけでなく、「創造」できるようにする存在だ。

1枚の画像、1つの言葉、1つの無限世界。これが世界モデルの2026年だ。

プロジェクトURL：github.com/Robbyant/lingbot-world-v2
論文：arxiv.org/abs/2607.07534
オンライン体験：reactor.inc/lingbot-world-v2