Uma imagem gera um mundo 3D ininterrupto: LingBot-World 2.0 é lançado como open source hoje, com interação sem limites a 60fps

Na corrida dos modelos de mundo, alguém jogou outra bomba de profundidade. Em 9 de julho, a equipe Robbyant (Ant Lingbo) lançou oficialmente em open source o LingBot-World 2.0 (codinome LingBot-World-Infinity), com artigo, código e pesos do modelo todos públicos. Desta vez, eles enfrentaram e venceram os dois desafios mais difíceis dos modelos de mundo: “duração ilimitada” e “mundo com variações aleatórias”.

Comecemos pelos números mais impressionantes: 720p, 60fps, duração ilimitada. Não é “quase ilimitada” — é interação verdadeiramente sem limites sob o paradigma de pré-treinamento causal: enquanto seu GPU tiver energia, o modelo continua gerando, sem degradação da qualidade com o tempo. Comparada à versão 1.0, que só mantinha geração estável por cerca de 10 minutos, esta geração foi levada ao limite.

Quatro grandes atualizações principais: de “utilizável” a “divertido”

O LingBot-World 2.0 traz saltos de qualidade em quatro dimensões, cada uma atacando diretamente os pontos fracos dos modelos de mundo.

① Duração de interação sem limites

Este é o avanço mais hardcore. A versão 1.0 suportava geração estável por quase 10 minutos, mas havia um limite. A 2.0 adota um paradigma de pré-treinamento causal cuidadosamente projetado (causal pretraining paradigm), permitindo duração de interação sem teto, mantendo a qualidade da saída consistente. Em resumo: seu personagem pode correr pelo mundo indefinidamente, sem imagem cada vez mais borrada e sem lógica física cada vez mais caótica.

A chave técnica está no design de janela deslizante do KV Cache. O modelo não enche a memória de vídeo com todos os quadros históricos; em vez disso, mantém o cache KV dos quadros sink (quadros âncora) + os N quadros mais recentes, avançando como um rio em fluxo. Isso garante consistência de longo prazo e controla o consumo de memória.

② Resposta em tempo real a 60fps

A versão 1.0 rodava a 16FPS com latência abaixo de 1 segundo. A 2.0 destilou a versão em tempo real direto para 720p 60fps. Não é reprodução de vídeo pré-renderizado — é geração em tempo real de verdade: você pressiona uma tecla e a imagem responde imediatamente. A equipe usou destilação de modelos para extrair do modelo base 14B uma variante leve em tempo real, mantendo a qualidade visual enquanto reduzia drasticamente a latência de inferência.

③ Elementos de interação mais ricos

A versão 1.0 suportava principalmente controle de câmera (panorâmica, rotação) e ações básicas (avançar, pular). A 2.0 expandiu muito o conjunto de ações: atacar, atirar flechas, conjurar feitiços e atirar são todos suportados. Mais importante ainda é a introdução de um sistema de eventos dirigido por texto — você pode descrever por texto mudanças no estado do mundo, como “invocar uma cadeira” ou “fazer surgir uma flor”, e o modelo gera o conteúdo correspondente em tempo real, integrando-o à cena.

④ Agentic Harness: a IA como diretora

Esta é a tentativa mais avançada. A equipe integrou uma estrutura de agentes no modelo de mundo, com dois papéis:

• Pilot Agent (agente piloto): responsável por planejar e executar o comportamento do personagem, decidindo para onde ele vai e quais ações realiza
• Director Agent (agente diretor): responsável por sintetizar novos elementos de ambiente, gerando dinamicamente novo conteúdo conforme a cena avança

Ou seja, o modelo sozinho pode funcionar como um motor de jogo + designer de jogo: você só precisa dar a ele uma imagem e uma descrição em texto, e ele faz surgir um mundo em constante evolução.

Especificações do modelo: 14B flagship + 1.3B leve

Foram lançados dois tamanhos de modelo:

• Versão flagship 14B: oferece três variantes — causal-fast (inferência causal rápida), causal-pretrain (pré-treinamento causal) e bidirectional (bidirecional) — com desempenho pleno
• Versão leve 1.3B: oferece as variantes causal-fast e causal-pretrain, com suporte a implantação em uma única GPU

A versão 14B precisa de 8 GPUs para inferência paralela multiplaca; a 1.3B roda em uma placa só. Ambas já estão disponíveis no HuggingFace e no ModelScope. A 1.0 usava a licença permissiva Apache 2.0; a 2.0 mudou para CC BY-NC-SA 4.0 (não comercial).

Como rodar

O código é construído sobre o Wan2.2, e o processo de instalação é bem padrão:

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

Baixar os pesos do modelo (tomando como exemplo o 14B causal-fast):

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

Executar uma inferência causal em 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…”

Explicação dos parâmetros principais:
– frame_num: número de quadros gerados; 361 quadros equivalem a cerca de 22 segundos @16fps, mas com inferência causal é possível definir valores maiores
– local_attn_size: tamanho da janela de atenção local, controlando quantos quadros históricos são considerados a cada passo
– sink_size: número de quadros âncora, mantendo os primeiros quadros como contexto global

Canais para testar online

Não tem 8 A100s? Sem problema — a equipe fornece duas plataformas online para experimentar:

• Exterior (Reactor): reactor.inc/lingbot-world-v2, jogue direto no navegador
• China (Lingguang): lingguang.com/support, experiência pelo celular

Além disso, na WAIC 2026 (Conferência Mundial de Inteligência Artificial), no final de julho, haverá um estande oficial com demo completo; quem quiser experimentar a versão plena pode ir ao local na ocasião.

Implantação: o SGLang já suporta nativamente

Se você pretende implantar por conta própria, o SGLang já suporta nativamente o caminho de inferência em tempo real do LingBot-World 2.0. Ele usa os protocolos WebSocket + MessagePack; o servidor mantém uma sessão ativa, gera quadros de vídeo chunk a chunk e aceita eventos de controle dinâmicos em tempo de execução (ações de câmera, mudanças de prompt de texto etc.).

A API principal é o /v1/realtime_video/generate endpoint WebSocket: após conectar, o cliente primeiro envia uma mensagem init (contendo a imagem do primeiro quadro, o prompt, as dimensões, o FPS e outros parâmetros) e depois pode enviar mensagens event continuamente para atualizar a cena. Os tipos de evento suportados incluem atualização de prompt, ações de câmera e entrada composta.

Como se compara ao Google Genie 3?

Quando a versão 1.0 foi lançada, a equipe já se posicionava claramente contra o Google Genie 3. Da 1.0 à 2.0, a diferença não só foi alcançada como, em algumas dimensões, foi superada:

• Duração: Genie 3 com duração limitada vs LingBot 2.0 sem limites
• Resolução/FPS: Genie 3 sem especificações detalhadas divulgadas vs LingBot 2.0 com 720p@60fps explícitos
• Grau de abertura: Genie 3 fechado vs LingBot 2.0 totalmente open source (artigo + código + pesos)
• Riqueza de interação: o Agentic Harness do LingBot 2.0 é inédito no campo dos modelos de mundo

Limitações e pontos fracos

Algumas limitações, objetivamente:

• A versão 14B exige 8 GPUs — a barreira não é baixa (a versão 1.3B alivia esse problema)
• A licença da 2.0 mudou para CC BY-NC-SA 4.0; uso comercial exige autorização separada
• A equipe declarou claramente que não lançará código de implantação; será preciso se basear no SGLang ou no flashdreams por conta própria
• A versão em tempo real a 60fps é uma variante leve obtida por destilação; a qualidade de imagem é, em teoria, inferior à do 14B pleno

O que isso significa

Os modelos de mundo estão saindo do “demo de laboratório” rumo a “produtos utilizáveis”. Os três avanços-chave do LingBot-World 2.0 — duração ilimitada, resposta em tempo real e direção por agentes — correspondem exatamente às necessidades centrais de três grandes cenários de aplicação: jogos, mundos virtuais e treinamento de robôs.

Imagine: uma imagem + um texto, e a IA gera um mundo 3D que você pode explorar livremente e que nunca para, com personagens que conjuram feitiços, novos objetos surgindo aleatoriamente e um ambiente em constante evolução. Isso não é mais ficção científica — é código que roda hoje.

Da LingBot-Depth (percepção espacial) à LingBot-VLA (decisão corporificada) e à LingBot-World (simulação de mundo), somada à recém-lançada LingBot-Map (mapeamento em tempo real), a equipe Robbyant da Ant já construiu uma pilha tecnológica completa de inteligência corporificada. O modelo de mundo é a peça mais crítica desse quebra-cabeça — ele permite que a IA não apenas “entenda” o mundo, mas também o “crie”.

Uma imagem, uma frase, um mundo infinito. Este é 2026 para os modelos de mundo.

Endereço do projeto: github.com/Robbyant/lingbot-world-v2
Artigo: arxiv.org/abs/2607.07534
Teste online: reactor.inc/lingbot-world-v2