Et kart skaper en verden av 3D som aldri stopper: LingBot-World 2.0 Open Today, 60fps Interact
Verdensmodell dette sporet og en annen dyp vann bombe ble falt. Den 9. juli utga Robbyant offisielt LingBot-World 2.0 (alias LingBot-World-Infinity), alle tre sett med papirer, koder og modellvekter ble offentliggjort. Denne gangen tyggde de to av verdens tøffeste modeller: " Infinite Time" og "The Randomly Changing World".
Først av alt er de mest nedbrytbare tallene: 720p, 60fps, ubegrenset varighet. Det er ikke " aller mest uendelig" det er virkelig ubrædd interaksjon i sammenheng med pre-kausal trening - så lenge GPU fortsetter å drive, modellen kan genereres og kvaliteten på utgangen vil ikke kollapse over tid. Sammenligningen av versjon 1.0 kan bare opprettholde stabil generasjon i nesten 10 minutter, og generasjonen er fullt full.
Fire kjerneoppgraderinger: fra "Kan bruke" til "Fun."
LingBot-World 2.0 gir fire dimensjoner av kvalitativ forandring, som hver treffer smerten i verdensmodellen.
1 Ubegrenset interaktiv lengde
Dette er det sterkeste kjernefysiske gjennombruddet. Versjon 1.0, mens støtte stabil generasjon på nesten 10 minutter, til slutt har et tak. 2.0 Ved bruk av et godt utformet årsaksparadigme for trening (causal pretraining paradigme) kan modeller oppnå en ubegrenset interaksjonstid samtidig som konsistens i utgangskvalitet opprettholdes. For å si det rett og slett kan rollen din fortsette og fortsette i verden, bildet vil ikke bli verre og den fysiske logikken vil ikke bli verre.
Den tekniske nøkkelen er KV Caches lysbildevindudesign. Modellen setter ikke alle historiske rammer i synlighet, men holder vaskerammen pluss den nylige N-ramme KV-cache, beveger seg fremover som en flytende elve. Langdistanse konsistens sikres og synlig forbruk styres.
2 60fps sanntid respons
Versjon 1.0 er 16FPS med en forsinkelse på mindre enn ett sekund. 2.0 destillerer sanntidsversjonen direkte til 720p60fps. Dette er ikke en forhåndskopiert videoavspilling, det er en sanntidsproduksjon - du trykker på knappen, bildet reagerer umiddelbart. Gjennom modelldestillasjonsteknikker ekstraherte laget en lett real-time variant fra 14B basismodellen, som samtidig opprettholde kvaliteten på bildet betydelig reduserte resonnementsforsinkelsen.
3 Rikere interaktive elementer
Versjon 1.0 støtter hovedsakelig kamerakontroll (diversjon, rotasjon) og basehandlinger (progress, sprang). 2.0 Handlingssettet er blitt betydelig utvidet: angrep, pilskyting, program, full støtte for å skyte. Viktigere er introduksjonen av tekstdrevne arrangementssystemer – Du kan bruke ord til å endre tilstanden i verden, som " Ring en stol" og " Opprett en blomst" og modeller kan generere tilsvarende innhold og passe inn i scenen i sanntid.
4 Agentic Harness: AI som instruktør
Dette er front-line forsøk. Teamet samlet et intelligent rammeverk i verdensmodellen, med to roller:
- Pilotagent.Ansvarlig for å planlegge og implementere rolleadferd, bestemme hvor rollen går og hvordan den beveger seg
- Direktør.: å syntetisere nye miljøelementer og generere nytt innhold som scenen beveger seg fremover
Det er som om modellen i seg selv kan være en spillmotor pluss spillplanlegger, og du bare må gi det et bilde og en beskrivelse, og det kan løpe ut av en voksende verden.
Modellspesifikasjon: 14B flaggskip + 1.3B lys
Denne gangen ble det utgitt to størrelsesmodeller:
- 14B flaggskip: tilveiebringelse av årsaks-faste (husholdning rask resonnement), årsaks-pretrain (huseffekt pre-trening), toveis tre varianter, full av blod
- 1.3B Light versjon: gi årsak-rask og årsak-pretrain varianter for å støtte enkelt GPU distribusjon
14B-versjonen krever åtte GPU-kjørende docs parallelt, slik at 1,3B-versjonen enkeltkort kan kjøres. Begge versjonene har allerede blitt lastet opp til HuggingFace og ModelScope. 1.0 er en Apache 2.0 laksetillatelse og 2.0 endres til CC BY-NC-SA 4.0 (ikke-kommersiell).
Hvordan?
Koden er basert på Wan2.2 bygget med en standard installasjonsprosess:
Unnskyld, jeg beklager.
cd lingbot-world-v2
Pip install-r anmeldelser.txt
Pip installere flash-attn-no-build-isolation
Last ned modellvekter (for eksempel 14B kausal-fast):
Andre arrangører
Kjør en 480P årsak resonnement:
TocHFFFFFF}{\cH00FF00} Torchrun -nproc per node=8generate.py
–oppgave i2v-A14B – størrelse 480 * 832 \
–ckpt di lingbot-world-v2-14b-causal-fast\
-bildeeksempler/03/image.jpg
–handlingsstieksempler/03 \
–dit fsdp –t5 fsdp –ulysses size8 \
–frame num 361 – lokal atn størrelse 18 –sink størrelse 6 \
- Spør, - En makeside scene med venstre tre stående i rolig vann -
Beskrivelse av nøkkelparametre:
- Jeg beklager. Denne artikkelen er en del av vår spesialdekning Afrika num.: Generer rammer, 361 rammer, rundt 22 sekunder @16fps, men kan være større under årsak resonnement
- Jeg beklager. Lokal loftsstørrelse: Lokal oppmerksomhet vindu størrelse, styre hvor mange historiske rammer hvert steg
- Jeg beklager. vask størrelse: antall ankerrammer, behold initiale rammer som global kontekst
Nettbasert testkanal
Ikke åtte kort A100? Det er greit, teamet tilbyr to online opplevelsesplattformer:
- Oversjøiske:reactor.inc/lingbot-world-v2, web-end play
- Innenlands (lys):lingguang.com/support, mobiltilgang
I slutten av juli vil det også være en offisiell full demo på WAIC 2026 (World Congress of Artificial Intelligence) som ønsker å oppleve en fullblodig versjon av det og gå til scenen.
Distribusjonsprogram: SGlang etablert støtte
Hvis du planlegger å distribuere deg selv, har SGlang opprinnelig støttet LingBot-World 2.0s resonnementssti i sanntid. Den følger WebSocket + MessagePack-protokollen, der serveren opprettholder en aktiv sesjon, produserer videorammer én etter én, og støtter dynamiske mottakskontrollbegivenheter (kamerahandlinger, tekstpromptendringer osv.) mens den kjører.
Kjernen API er /v1/realtime_video/generate WebSocket-endepunkt, klienten kobler til og sender it-meldinger (inkludert rammer, spørsmål, dimensjoner, FPS etc.) og deretter kan du kontinuerlig sende hendelsesmeldinger for å oppdatere scenen. Støttede hendelsestyper inkluderer hurtigoppdateringer, kamerahandlinger og komposittinngang.
Hva med Google Genee 3?
Da versjon 1.0 ble utgitt, peker teamet tydelig på Google Genee 3. Fra 1,0 til 2.0 er ikke bare gapet glattet, men dimensjonene til gapet er invertert:
- LengdeGenie 3 har en begrenset varighet vs LingBot 2.0 unbound
- Oppløsning/FPS:Genie 3 ulukkede detaljerte spesifikasjoner vs LingBot 2.0 spesifisert 720p@60fps
- Åpne kildenivå: Genie 3 lukket kilde vs LingBot 2.0 full åpen kilde (papir + kode + vekt)
- Interaktiv rikdom: Agetic Harness, LingBot 2.0, er verdens første modellfelt
Begrensninger og mangler
Følgende begrensninger er objektivt angitt:
- 14B krever 8 karat av GPU, uten lavere terskel.
- For 2.0 lisenslesning CC BY-NC-SA 4.0 krever virksomhet separat autorisasjon
- Laget gjorde det klart at det ikke ville frigjøre distribusjonskoden og måtte konsultere SGlang eller blitzdreams.
- Real-time 60fps-versjonen er en destillert lysvariant som er teoretisk mindre enn 14B.
Hva betyr det?
Verdensmodellen beveger seg fra en "laboratory Demo" til et "tilgjengelig produkt". LingBot-World 2.0s tre viktige gjennombrudd - uendelig varighet, reell respons, smart stasjon - tilsvarer kjernebehovene i spillet, virtuell verden, robot trening og tre applikasjoner.
Tenk deg: et bilde pluss en tekst som kan generere en 3D-verden som du kan utforske fritt og aldri stoppe, hvor du har en magisk karakter, et tilfeldig nytt objekt, et utviklingsmiljø. Det er ikke science fiction. Det er koden som kan kjøres i dag.
Fra LingBot-Depth (romoppfattelse) til LingBot-VLA (fysisk beslutningstaking) til LingBot-World (world simulering), sammen med den nye åpne kilden LingBot-Map (real-time konstruksjon), er det bygget et komplett organ av smart teknologi. Verdensmodellen er en av de mest kritiske oppgavene - det tillater AI ikke bare å forstå verden, men også å skape den.
Et kart, et ord, en uendelig verden. Dette er år 2026 av verdensmodellen.
Prosjektadresse: Github.com/Robbyant/lingbot-world-v2
Papirer: arxiv.org/abs/2607.07534
Online test: reaktor.inc/lingbot-world-v2