Świat 3D, który nigdy się nie kończy, z jednego obrazu: LingBot-World 2.0 już open source, nieograniczona interakcja w 60 fps

Na torze modeli świata ktoś znów zrzucił bombę głębinową. 9 lipca zespół Ant Lingbo (Robbyant) oficjalnie wydał jako open source LingBot-World 2.0 (kryptonim LingBot-World-Infinity) — do publicznej wiadomości trafiły wszystkie trzy elementy: artykuł naukowy, kod i wagi modelu. Tym razem wzięli na ząb dwie najtwardsze kości modeli świata: „nieskończony czas trwania” i „losowo zmieniający się świat”.

Zacznijmy od najbardziej uderzających liczb: 720p, 60 fps, nieskończony czas trwania. Nie mówimy o „bliskim nieskończoności”, lecz o prawdziwie nieograniczonej interakcji w paradygmacie treningu przyczynowego — dopóki twój GPU ma prąd, model generuje bez końca, a jakość wyjścia nie rozsypuje się wraz z upływem czasu. Dla porównania: wersja 1.0 utrzymywała stabilne generowanie przez blisko 10 minut. Ta generacja wyciąga wszystko na maksimum.

Cztery kluczowe uaktualnienia: od „da się użyć” do „fajnie się bawić”

LingBot-World 2.0 przynosi jakościowy skok w czterech wymiarach i każdy z nich uderza w najsłabszy punkt modeli świata.

① Nieograniczony czas interakcji

To najtwardszy przełom. Wersja 1.0 wspierała stabilne generowanie przez blisko 10 minut, ale ostatecznie miała swoją górną granicę. Wersja 2.0 stosuje starannie zaprojektowany paradygmat treningu przyczynowego (causal pretraining paradigm), dzięki któremu model może utrzymać spójną jakość wyjścia i generować interakcję bez górnego limitu czasu. Mówiąc prosto: twoja postać może biegać po tym świecie bez końca, obraz nie będzie coraz bardziej rozmyty, a logika fizyki nie zacznie się sypać.

Techniczny klucz tkwi w zaprojektowaniu okna przesuwnego dla KV Cache. Model nie pakuje wszystkich historycznych klatek do pamięci GPU, lecz zachowuje w cache’u KV ramki sink (zakotwiczające) plus N ostatnich klatek i posuwa się do przodu jak płynąca rzeka. Zapewnia to długodystansową spójność, a jednocześnie trzyma w ryzach zużycie pamięci.

② Reakcja w czasie rzeczywistym w 60 fps

Wersja 1.0 oferowała 16 FPS i opóźnienie poniżej sekundy. Wersja 2.0 wydestylowała odmianę czasu rzeczywistego wprost do 720p przy 60 fps. To nie jest odtwarzanie wcześniej wyrenderowanego wideo — to generowanie rzeczywiście w czasie rzeczywistym: naciskasz klawisz, a obraz reaguje natychmiast. Zespół wydestylował z bazowego modelu 14B lekki wariant czasu rzeczywistego, który utrzymuje jakość obrazu, jednocześnie drastycznie tnąc opóźnienie inferencji.

③ Bogatsze elementy interakcji

Wersja 1.0 obsługiwała głównie sterowanie kamerą (przesuw, obrót) i podstawowe akcje (ruch do przodu, skok). Wersja 2.0 mocno rozszerza zestaw akcji: atak, strzelanie z łuku, rzucanie czarów i strzelanie — wszystko to jest obsługiwane. Co ważniejsze, pojawia się sterowany tekstem system zdarzeń: możesz opisać słowami zmianę stanu świata, na przykład „przywołaj krzesło” czy „stwórz kwiat”, a model wygeneruje odpowiednią treść w czasie rzeczywistym i wkomponuje ją w scenę.

④ Agentic Harness: AI samo zostaje reżyserem

To najbardziej pionierska próba. Zespół zintegrował w modelu świata framework agentowy z dwiema rolami:

• Pilot Agent (agent pilot)— odpowiada za planowanie i wykonywanie zachowań postaci, decyduje, dokąd postać pójdzie i jakie wykona akcje
• Director Agent (agent reżyser)— odpowiada za syntezę nowych elementów otoczenia i dynamiczne generowanie nowej treści wraz z rozwojem sceny

Innymi słowy, sam model potrafi być silnikiem gry i jej reżyserem w jednym: dajesz mu jeden obraz i opis tekstowy, a on sam rozkręca świat, który stale ewoluuje.

Specyfikacja modeli: 14B flagowy + 1.3B lekki

Tym razem wydano modele w dwóch rozmiarach:

• wersja flagowa 14B— dostępna w trzech wariantach: causal-fast (szybka inferencja przyczynowa), causal-pretrain (trening przyczynowy) i bidirectional (dwukierunkowy), z pełną mocą
• wersja lekka 1.3B— dostępna w dwóch wariantach, causal-fast i causal-pretrain, z obsługą wdrożenia na jednym GPU

Wersja 14B wymaga 8 kart GPU do równoległej inferencji, a wersja 1.3B wystartuje na jednej karcie. Oba warianty zostały już wysłane na HuggingFace i ModelScope. Wersja 1.0 miała liberalną licencję Apache 2.0; w wersji 2.0 zmieniono ją na CC BY-NC-SA 4.0 (tylko niekomercyjnie).

Jak to uruchomić

Kod powstał w oparciu o Wan2.2, a proces instalacji jest zupełnie standardowy:

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

Pobierz wagi modelu (na przykładzie wersji 14B causal-fast):

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

Uruchom inferencję przyczynową w jakości 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…”

Objaśnienie kluczowych parametrów:
– frame_num— liczba generowanych klatek: 361 klatek to około 22 sekund przy 16 fps, ale w inferencji przyczynowej można ustawić znacznie więcej
– local_attn_size— rozmiar okna uwagi lokalnej, określa, ile historycznych klatek model widzi w każdym kroku
– sink_size— liczba zakotwiczających klatek sink; kilka pierwszych klatek zostaje zachowanych jako kontekst globalny

Gdzie przetestować online

Nie masz 8 kart A100? Nic nie szkodzi — zespół przygotował dwie platformy do testów online:

• zagranica (Reactor)— reactor.inc/lingbot-world-v2, zabawa bezpośrednio w przeglądarce
• Chiny (Lingguang)— lingguang.com/support, można próbować na telefonie

Poza tym pod koniec lipca na WAIC 2026 (World Artificial Intelligence Conference) pojawi się pełne, oficjalne stoisko demonstracyjne — jeśli chcesz przetestować wersję o pełnej mocy, zajrzyj tam na miejscu.

Wdrażanie: SGLang ma już natywne wsparcie

Jeśli planujesz własne wdrożenie, SGLang ma już natywne wsparcie dla ścieżki inferencji czasu rzeczywistego LingBot-World 2.0. Chodzi po WebSocket w połączeniu z MessagePack: serwer utrzymuje aktywną sesję i generuje klatki wideo chunk po chunku, obsługując dynamiczne przyjmowanie zdarzeń sterujących w trakcie działania (akcje kamery, zmiany promptu tekstowego itp.).

Głównym API jest /v1/realtime_video/generate endpoint WebSocket: po połączeniu klient wysyła najpierw wiadomość init (zawierającą obraz pierwszej klatki, prompt, rozmiar, FPS i inne parametry), a potem może stale przesyłać wiadomości event, aby aktualizować scenę. Obsługiwane są trzy typy zdarzeń: aktualizacja promptu, akcja kamery oraz wejście złożone.

Jak wypada na tle Google Genie 3?

Gdy wychodziła wersja 1.0, zespół wprost wskazywał Google Genie 3 jako punkt odniesienia. Między 1.0 a 2.0 dystans nie tylko został wyrównany — w części wymiarów nastąpiło przejście do ofensywy:

• czas trwania— Genie 3: ograniczony czas trwania, LingBot 2.0: bez granic
• rozdzielczość/FPS— Genie 3 nie ujawnia szczegółowej specyfikacji, LingBot 2.0 jasno podaje 720p@60fps
• stopień otwartości— Genie 3 jest zamknięty, LingBot 2.0 jest w pełni open source (artykuł + kod + wagi)
• bogactwo interakcji— Agentic Harness w LingBot 2.0 to pierwsze takie rozwiązanie w dziedzinie modeli świata

Ograniczenia i braki

Kilka obiektywnych ograniczeń:

• wersja 14B wymaga 8 kart GPU, więc próg wejścia jest wysoki (wersja 1.3B łagodzi ten problem)
• w wersji 2.0 licencję zmieniono na CC BY-NC-SA 4.0, użycie komercyjne wymaga osobnej zgody licencyjnej
• zespół jasno zadeklarował, że nie opublikuje kodu wdrożeniowego — trzeba go zbudować samemu, wzorując się na SGLang lub flashdreams
• odmiana czasu rzeczywistego 60 fps to wydestylowany lekki wariant, więc teoretycznie jakością obrazu ustępuje pełnemu modelowi 14B

Co to oznacza

Modele świata wychodzą z fazy „laboratoryjnego demo” do fazy „użytecznego produktu”. Trzy kluczowe przełomy LingBot-World 2.0 — nieskończony czas trwania, reakcja czasu rzeczywistego i sterowanie przez agenta — idealnie trafiają w podstawowe potrzeby trzech scenariuszy zastosowań: gier, światów wirtualnych i treningu robotów.

Wyobraź sobie: jeden obraz plus kawałek tekstu i AI generuje świat 3D, który możesz swobodnie eksplorować i który nigdy się nie kończy — z postaciami rzucającymi czary, losowo pojawiającymi się nowymi obiektami i stale ewoluującym otoczeniem. To już nie science fiction, to kod, który można uruchomić dzisiaj.

Zespół Ant Lingbo przeszedł od LingBot-Depth (percepcja przestrzenna) przez LingBot-VLA (podejmowanie decyzji w ciele robota) do LingBot-World (symulacja świata), a teraz dochodzi jeszcze nowo otwarty LingBot-Map (mapowanie w czasie rzeczywistym) — powstaje kompletny stos technologiczny inteligencji ucieleśnionej. Model świata jest w nim kluczową częścią układanki: pozwala AI nie tylko „rozumieć” świat, ale też go „tworzyć”.

Jeden obraz, jedno zdanie, jeden nieskończony świat. Oto rok 2026 w modelach świata.

Strona projektu: github.com/Robbyant/lingbot-world-v2
Artykuł: arxiv.org/abs/2607.07534
Test online: reactor.inc/lingbot-world-v2