O imagine generează lumi 3D nesfârșite: LingBot-World 2.0 devine open-source astăzi, interacțiune nelimitată la 60fps

În cursa modelelor de world model, cineva a aruncat din nou o bombă adâncă. Pe 9 iulie, echipa Robbyant a lansat oficial ca open-source LingBot-World 2.0 (cu numele de cod LingBot-World-Infinity), publicând totodată lucrarea, codul și ponderile modelelor. De data aceasta, au rost oasele cele mai grele ale modelelor de world model: «durata infinită» și «lumea cu variații aleatorii».

Să începem cu cifrele cele mai spectaculoase: 720p, 60fps, durată infinită. Nu «aproape infinită», ci interacțiune cu adevărat nelimitată în cadrul paradigmei de pre-antrenare cauzală – cât timp GPU-ul tău nu rămâne fără curent, modelul poate genera la nesfârșit, iar calitatea rezultatului nu se degradează în timp. Comparativ cu versiunea 1.0, care menținea o generare stabilă de doar circa 10 minute, această generație ridică ștacheta la maxim.

Patru îmbunătățiri majore: de la «funcțional» la «distractiv»

LingBot-World 2.0 aduce schimbări calitative pe patru dimensiuni, fiecare lovind exact punctele dureroase ale modelelor de world model.

① Durată de interacțiune nelimitată

Aceasta este cea mai importantă descoperire. Versiunea 1.0 suporta o generare stabilă de aproape 10 minute, dar avea în final o limită. Versiunea 2.0 folosește o paradigmă de pre-antrenare cauzală atent concepută (causal pretraining paradigm), astfel încât modelul poate atinge o durată de interacțiune fără limită, menținând totodată o calitate constantă a rezultatelor. Pe scurt: personajul tău poate alerga neîncetat prin lume, imaginea nu devine tot mai neclară, iar logica fizică nu se destramă.

Cheia tehnică stă în designul cu fereastră glisantă al KV Cache. Modelul nu împinge toate cadrele istorice în memoria video, ci păstrează cadrele sink (cadrele de ancorare) plus KV-cache-ul celor mai recente N cadre, avansând ca un râu curgător. Astfel se asigură coerența pe termen lung, controlând în același timp consumul de memorie.

② Răspuns în timp real la 60fps

Versiunea 1.0 funcționa la 16 FPS, cu o latență sub o secundă. Versiunea 2.0 distilează varianta în timp real direct la 720p 60fps. Nu este o redare video pre-randată, ci generare reală în timp real – apeși o tastă, iar imaginea reacționează instantaneu. Echipa a folosit tehnica de distilare a modelelor pentru a extrage din modelul de bază de 14B o variantă ușoară în timp real, comprimând substanțial latența de inferență fără a sacrifica calitatea imaginii.

③ Elemente de interacțiune mai bogate

Versiunea 1.0 suporta în principal controlul camerei (deplasare, rotire) și acțiuni de bază (mers înainte, săritură). Versiunea 2.0 extinde considerabil setul de acțiuni: atac, tir cu arcul, vrăji și împușcături, toate suportate. Mai important, a fost introdus un sistem de evenimente condus de text – poți schimba starea lumii prin descrieri în cuvinte, de exemplu «invocă un scaun» sau «fă să apară o floare», iar modelul generează în timp real conținutul corespunzător și îl integrează în scenă.

④ Agentic Harness: AI devine propriul regizor

Aceasta este încercarea cea mai avansată. Echipa a integrat în modelul de lume un cadru de agenți, cu două roluri:

• Pilot Agent (agentul pilot): planifică și execută comportamentul personajului, decidând unde merge și ce acțiuni întreprinde
• Director Agent (agentul regizor): sintetizează noi elemente de mediu, generând dinamic conținut nou pe măsură ce scena avansează

Cu alte cuvinte, modelul poate funcționa singur ca un game engine plus game designer: îi dai doar o imagine și o descriere în text, iar el produce singur o lume în continuă evoluție.

Specificațiile modelelor: 14B flagship + 1.3B ușor

De data aceasta au fost lansate două dimensiuni de modele:

• Versiunea flagship de 14B: oferă trei variante – causal-fast (inferență cauzală rapidă), causal-pretrain (pre-antrenare cauzală) și bidirectional (bidirecțional), cu performanță deplină
• Versiunea ușoară de 1.3B: oferă două variante, causal-fast și causal-pretrain, cu deploy pe un singur GPU

Versiunea de 14B necesită 8 GPU-uri pentru inferență paralelă multi-card, în timp ce versiunea de 1.3B rulează pe o singură placă. Ambele versiuni au fost încărcate pe HuggingFace și ModelScope. Versiunea 1.0 avea licența permisivă Apache 2.0, iar 2.0 trece la CC BY-NC-SA 4.0 (necomerțial).

Cum îl pui în funcțiune

Codul este construit pe Wan2.2, iar procesul de instalare este unul 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

Descarcă ponderile modelelor (de exemplu, 14B causal-fast):

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

Rulează o inferență cauzală la 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…”

Explicația parametrilor-cheie:
– frame_num: numărul de cadre generate; 361 de cadre înseamnă circa 22 de secunde la 16fps, dar în inferență cauzală poate fi setat mai mare
– local_attn_size: dimensiunea ferestrei de atenție locală, controlează câte cadre istorice privește fiecare pas
– sink_size: numărul de cadre de ancorare, păstrează primele cadre drept context global

Canale de testare online

Nu ai 8 plăci A100? Nicio problemă, echipa oferă două platforme online de testare:

• Internațional (Reactor): reactor.inc/lingbot-world-v2, joci direct în browser
• China (Lingguang): lingguang.com/support, accesibil pe telefon

În plus, la WAIC 2026 (Conferința Mondială pentru Inteligență Artificială) de la finalul lunii iulie va exista un stand cu un demo oficial complet; cine vrea să încerce versiunea deplină poate merge acolo.

Soluție de deploy: suport nativ în SGLang

Dacă intenționezi să faci deploy pe cont propriu, SGLang suportă nativ calea de inferență în timp real a LingBot-World 2.0. Se folosește protocolul WebSocket + MessagePack: serverul menține o sesiune activă, generează cadre video chunk cu chunk și acceptă evenimente de control dinamice în timpul rulării (acțiuni ale camerei, schimbarea promptului text etc.).

API-ul central este un /v1/realtime_video/generate endpoint WebSocket: după conectare, clientul trimite mai întâi un mesaj init (cu imaginea primului cadru, promptul, dimensiunile, FPS-ul etc.), apoi poate trimite continuu mesaje event pentru a actualiza scena. Tipurile de evenimente suportate includ actualizarea promptului, acțiunile camerei și intrările compuse.

Cum se compară cu Google Genie 3?

Încă de la lansarea versiunii 1.0, echipa s-a raportat explicit la Google Genie 3. De la 1.0 la 2.0, diferența nu doar că a fost recuperată, dar în anumite privințe a fost depășită:

• Durată: Genie 3 are durată limitată vs. LingBot 2.0 nelimitată
• Rezoluție/FPS: Genie 3 nu a publicat specificații detaliate vs. LingBot 2.0 clar 720p@60fps
• Grad de deschidere: Genie 3 este închis vs. LingBot 2.0 complet open-source (lucrare + cod + ponderi)
• Bogăția interacțiunii: Agentic Harness din LingBot 2.0 este o premieră în domeniul modelelor de world model

Limite și neajunsuri

Din obiectivitate, câteva limite:

• versiunea de 14B necesită 8 GPU-uri, deci bariera de intrare nu este mică (versiunea de 1.3B atenuează această problemă)
• licența 2.0 a devenit CC BY-NC-SA 4.0, iar utilizarea comercială necesită o autorizație separată
• echipa a declarat clar că nu va publica codul de deploy; trebuie să te descurci singur cu SGLang sau flashdreams
• versiunea în timp real la 60fps este o variantă ușoară obținută prin distilare, iar calitatea imaginii este teoretic inferioară modelului complet de 14B

Ce înseamnă asta

Modelele de world model trec de la «demo de laborator» la «produs utilizabil». Cele trei descoperiri-cheie ale LingBot-World 2.0 – durata nelimitată, răspunsul în timp real și controlul de către agenți – corespund exact cerințelor fundamentale ale celor trei scenarii mari de aplicare: jocuri, lumi virtuale și antrenarea roboților.

Imaginează-ți: o imagine plus un text, iar AI generează o lume 3D pe care o poți explora liber și care nu se oprește niciodată, cu personaje care aruncă vrăji, obiecte noi care apar aleatoriu și un mediu în continuă evoluție. Nu mai este science-fiction: este cod care rulează chiar astăzi.

Echipa Robbyant a construit, de la LingBot-Depth (percepție spațială) la LingBot-VLA (decizii încarnate) și până la LingBot-World (simulare de lume), plus noul LingBot-Map open-source (cartografiere în timp real), un stack tehnologic complet pentru inteligența încarnată. Modelul de world model este piesa cea mai importantă din acest puzzle – permite AI-ului nu doar să «înțeleagă» lumea, ci și să «creeze» lumi.

O imagine, o propoziție, o lume infinită. Acesta este anul 2026 al modelelor de world model.

Adresa proiectului: github.com/Robbyant/lingbot-world-v2
Lucrare: arxiv.org/abs/2607.07534
Testare online: reactor.inc/lingbot-world-v2