Бесконечный 3D-мир из одного изображения: LingBot-World 2.0 сегодня открыт под open source, бесшовное взаимодействие на 60 fps

В гонке мировых моделей кто-то снова сбросил глубинную бомбу. 9 июля команда Ant Lingbo (Robbyant) официально выпустила в open source LingBot-World 2.0 (кодовое имя LingBot-World-Infinity): публичны и статья, и код, и веса модели. На этот раз они разгрызли два самых крепких орешка в области мировых моделей — «неограниченную длительность» и «мир со случайными изменениями».

Сначала — самые впечатляющие цифры: 720p, 60 fps, неограниченная длительность. И это не «почти бесконечность»: в рамках причинно-следственной претрейн-парадигмы это настоящее безграничное взаимодействие — пока GPU получает питание, модель может генерировать бесконечно, причём качество вывода со временем не деградирует. Версия 1.0 держала стабильную генерацию лишь около 10 минут, а это поколение выжато на полную.

Четыре ключевых обновления: от «работает» к «увлекательно»

LingBot-World 2.0 несёт качественные изменения по четырём направлениям, и каждое бьёт точно в болевую точку мировых моделей.

① Неограниченная длительность взаимодействия

Это самый серьёзный прорыв. Версия 1.0, хотя и поддерживала стабильную генерацию почти 10 минут, всё же имела предел. В 2.0 применяется тщательно выверенная причинно-следственная претрейн-парадигма (causal pretraining paradigm), позволяющая модели поддерживать сколь угодно долгое взаимодействие без потери качества вывода. Проще говоря: ваш персонаж может бежать по миру бесконечно, картинка не будет становиться всё более мыльной, а физическая логика — путаться.

Технический ключ — скользящее окно KV-кэша. Модель не заталкивает всю историю кадров в видеопамять, а хранит KV-кэш из sink-кадров (якорных) + последних N кадров, двигаясь вперёд, как течение реки. Это одновременно обеспечивает долгосрочную согласованность и держит расход видеопамяти под контролем.

② Отклик в реальном времени на 60 fps

У версии 1.0 было 16 FPS и задержка до секунды. В 2.0 реалтайм-версию дистиллировали сразу до 720p 60 fps. Это не предрендеренная видеозапись, а настоящая генерация в реальном времени — вы нажимаете клавишу, и картинка реагирует мгновенно. С помощью дистилляции модели команда извлекла из 14-миллиардной базовой модели лёгкую реалтайм-версию, радикально снизив задержку инференса при сохранении качества картинки.

③ Более богатые элементы взаимодействия

Версия 1.0 поддерживала в основном управление камерой (панорамирование, вращение) и базовые действия (идти вперёд, прыгать). В 2.0 набор действий сильно расширен: атака, стрельба из лука, заклинания, стрельба — всё поддерживается. Что ещё важнее, появилась система событий, управляемых текстом: состояние мира можно менять текстовыми описаниями — например, «призвать стул» или «создать цветок», и модель в реальном времени сгенерирует соответствующий объект и встроит его в сцену.

④ Agentic Harness: ИИ сам становится режиссёром

Это самая передовая из попыток. Команда встроила в мировую модель агентный фреймворк из двух ролей:

• Pilot Agent (агент-пилот): отвечает за планирование и исполнение поведения персонажа, решая, куда идти и какие действия совершать
• Director Agent (агент-режиссёр): отвечает за синтез новых элементов окружения, динамически создавая новый контент по мере развития сцены

Фактически модель сама может работать как игровой движок плюс геймдизайнер: дайте ей картинку и текстовое описание, и она сама развернёт непрерывно эволюционирующий мир.

Спецификации моделей: 14B флагман + 1.3B лёгкая версия

В этот раз выпущены модели двух размеров:

• Флагманская версия 14B: три варианта — causal-fast (быстрый причинно-следственный инференс), causal-pretrain (причинно-следственный претрейн) и bidirectional (двунаправленный), полная производительность
• Лёгкая версия 1.3B: два варианта — causal-fast и causal-pretrain, поддерживает развёртывание на одном GPU

Версии 14B нужны 8 GPU для многографного параллельного инференса, а версия 1.3B запускается на одной карте. Обе версии уже выложены на HuggingFace и ModelScope. Версия 1.0 распространялась по свободной лицензии Apache 2.0, у 2.0 — CC BY-NC-SA 4.0 (некоммерческая).

Как запустить

Код построен на базе Wan2.2, процесс установки вполне стандартный:

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

Скачиваем веса модели (на примере 14B causal-fast):

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

Запускаем причинно-следственный инференс в 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…”

Пояснения к ключевым параметрам:
– frame_num: количество генерируемых кадров; 361 кадр — это примерно 22 секунды @16fps, но при причинно-следственном инференсе можно задать и больше
– local_attn_size: размер окна локального внимания, определяет, сколько исторических кадров просматривается на каждом шаге
– sink_size: количество якорных кадров — несколько первых кадров сохраняются как глобальный контекст

Онлайн-демо

Нет восьми A100? Не беда — команда предоставила две онлайн-площадки для знакомства с моделью:

• Для зарубежных пользователей (Reactor): reactor.inc/lingbot-world-v2 — играйте прямо в браузере
• Для Китая (Lingguang): lingguang.com/support — доступно на смартфоне

Кроме того, в конце июля на WAIC 2026 (Всемирная конференция по искусственному интеллекту) будет официальный стенд с полным демо — желающие опробовать полную версию могут прийти туда.

Развёртывание: SGLang уже поддерживает нативно

Если собираетесь развернуть модель самостоятельно, SGLang уже нативно поддерживает реалтайм-путь инференса LingBot-World 2.0. Он работает по протоколу WebSocket + MessagePack: сервер держит активную сессию и генерирует видеокадры чанк за чанком, поддерживая динамический приём управляющих событий на лету (движения камеры, смена текстового промпта и т.д.).

Ядро API — это /v1/realtime_video/generate WebSocket-эндпоинт: подключившись, клиент сначала отправляет init-сообщение (с первым кадром изображения, промптом, размерами, FPS и другими параметрами), а затем может постоянно слать event-сообщения для обновления сцены. Поддерживаются три типа событий: обновление промпта, движения камеры и составной ввод.

Как это выглядит на фоне Google Genie 3?

Ещё при выпуске версии 1.0 команда прямо позиционировала продукт как конкурент Google Genie 3. От 1.0 к 2.0 разрыв не только сократился до нуля — по ряду направлений вышло опережение:

• Длительность: у Genie 3 длительность ограничена, у LingBot 2.0 — без границ
• Разрешение/FPS: Genie 3 не раскрывает детальных характеристик, у LingBot 2.0 — чёткие 720p@60fps
• Открытость: Genie 3 закрыт, LingBot 2.0 полностью открыт (статья + код + веса)
• Богатство взаимодействия: Agentic Harness в LingBot 2.0 — первое в области мировых моделей

Ограничения и недостатки

Объективно стоит отметить несколько ограничений:

• версии 14B нужны 8 GPU — порог входа немаленький (версия 1.3B смягчает эту проблему)
• лицензия 2.0 сменилась на CC BY-NC-SA 4.0, для коммерческого использования нужно отдельное разрешение
• команда прямо заявила, что код для развёртывания публиковать не будет — придётся разбираться самому по SGLang или flashdreams
• реалтайм-версия на 60 fps — дистиллированный лёгкий вариант, качество картинки теоретически уступает полноценному 14B

Что это значит

Мировые модели переходят от «лабораторных демо» к «пригодным к использованию продуктам». Три ключевых прорыва LingBot-World 2.0 — неограниченная длительность, отклик в реальном времени и управление со стороны агентов — точно отвечают ключевым потребностям трёх сценариев применения: игр, виртуальных миров и обучения роботов.

Представьте: одно изображение и абзац текста — и ИИ генерирует 3D-мир, который вы можете свободно исследовать и который никогда не останавливается: с персонажами, колдующими заклинания, случайно появляющимися новыми объектами и непрерывно эволюционирующим окружением. Это уже не фантастика — это код, который запускается уже сегодня.

Команда Ant Lingbo прошла путь от LingBot-Depth (пространственное восприятие) через LingBot-VLA (телесно обусловленное принятие решений) к LingBot-World (симуляция мира), а с новым открытым LingBot-Map (картографирование в реальном времени) выстроила полный технологический стек воплощённого интеллекта. Мировая модель — самый ключевой элемент этой мозаики: она позволяет ИИ не только «понимать» мир, но и «творить» его.

Одна картинка, одна фраза — и бесконечный мир. Так выглядят мировые модели в 2026 году.

Ссылка на проект: github.com/Robbyant/lingbot-world-v2
Статья: arxiv.org/abs/2607.07534
Онлайн-демо: reactor.inc/lingbot-world-v2