En enda bild skapar en aldrig sinande 3D-värld: LingBot-World 2.0 blir öppen källkod idag, gränslös interaktion i 60 fps

På tävlingsbanan för världsmodeller har någon kastat en djupvattensbomb till. Den 9 juli släppte Robbyant-teamet officiellt LingBot-World 2.0 (kodnamn LingBot-World-Infinity) som öppen källkod – uppsats, kod och modellvikter, allt tre offentliggjordes. Den här gången har de tuggat i sig de två svåraste nötterna inom världsmodeller: ”obegränsad längd” och ”en värld med slumpmässiga förändringar”.

Först de mest häpnadsväckande siffrorna: 720p, 60 fps, obegränsad längd. Inte ”nästan obegränsad” – det är verkligt gränslös interaktion inom det kausala förträningsparadigmet. Så länge din GPU har ström kan modellen fortsätta generera i all oändlighet, och utskriftskvaliteten försämras inte med tiden. Jämfört med version 1.0 som bara klarade knappt 10 minuters stabil generering har den här generationen maxat allt.

Fyra stora kärnuppgraderingar: från ”användbart” till ”roligt”

LingBot-World 2.0 medför kvalitativa språng i fyra dimensioner, och var och en träffar världsmodellernas värkpunkter.

① Gränslös interaktionstid

Det här är det mest hårdkärniga genombrottet. Version 1.0 stödde visserligen knappt 10 minuters stabil generering, men det fanns ändå ett tak. 2.0 använder ett noggrant utformat kausalt förträningsparadigm (causal pretraining paradigm), vilket gör att modellen kan uppnå obegränsad interaktionstid samtidigt som utskriftskvaliteten förblir konsekvent. Enkelt sagt: din rollfigur kan springa vidare i världen hur länge som helst, bilden blir inte allt suddigare och den fysiska logiken blir inte allt rörigare.

Den tekniska nyckeln ligger i utformningen av KV-cachens glidande fönster. Modellen stoppar inte alla historiska bildrutor i grafikminnet, utan behåller en KV-cache med sink-bildrutor (ankarbilder) + de N senaste bildrutorna, och rör sig framåt som en flytande flod. Det garanterar både långsiktig koherens och håller minnesförbrukningen under kontroll.

② Realtidssvar i 60 fps

Version 1.0 hade 16FPS och en latens under 1 sekund. 2.0 destillerar realtidsversionen direkt till 720p 60fps. Det här är ingen förrenderad videouppspelning, utan äkta realtidsgenerering – du trycker på en knapp och bilden svarar omedelbart. Genom modelldestillation extraherade teamet en lättviktig realtidsvariant ur 14B-basmodellen, vilket kraftigt komprimerade inferenslatensen utan att offra bildkvaliteten.

③ Rikare interaktiva element

Version 1.0 stödde främst kamerakontroll (panorering, rotation) och grundläggande rörelser (framåt, hoppa). 2.0 utökar åtgärdsuppsättningen kraftigt: attack, bågskytte, besvärjelser och skjutning stöds alla. Ännu viktigare är introduktionen av ett textstyrt händelsesystem – du kan beskriva med ord för att ändra världens tillstånd, till exempel ”frammana en stol” eller ”skapa en blomma”, och modellen genererar motsvarande innehåll i realtid och integrerar det i scenen.

④ Agentic Harness: AI:n blir regissör på egen hand

Det här är det mest banbrytande försöket. Teamet har integrerat en agentram i världsmodellen, med två roller:

• Pilot Agent (pilotagenten): ansvarar för att planera och utföra rollfigurernas beteenden och bestämmer vart figuren går och vilka handlingar den gör
• Director Agent (regissörsagenten): ansvarar för att syntetisera nya miljöelement och dynamiskt generera nytt innehåll i takt med att scenen framskrider

Modellen kan alltså i praktiken fungera som både spelmotor och speldesigner – du behöver bara ge den en bild och en textbeskrivning, så kör den igång med en värld som ständigt utvecklas.

Modelspecifikationer: 14B-flaggskepp + 1.3B lättvikt

Den här gången släpps modeller i två storlekar:

• 14B-flaggskeppsversionen: erbjuder tre varianter – causal-fast (kausal snabbinferens), causal-pretrain (kausal förträning) och bidirectional (dubbelriktad) – med full prestanda
• 1.3B-lättviktsversionen: erbjuder två varianter, causal-fast och causal-pretrain, och stöder drift på en enskild GPU

14B-versionen kräver 8 GPU:er för parallell inferens över flera kort, medan 1.3B-versionen klarar sig på ett enda kort. Båda versionerna har laddats upp till HuggingFace och ModelScope. 1.0 hade den tillåtande Apache 2.0-licensen, medan 2.0 byter till CC BY-NC-SA 4.0 (icke-kommersiell).

Så här får du igång det

Koden är byggd på Wan2.2, och installationsflödet är helt 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

Ladda ner modellvikter (med 14B causal-fast som exempel):

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

Kör en kausal inferens i 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…”

Förklaring av viktiga parametrar:
– frame_num: antal genererade bildrutor; 361 bildrutor motsvarar cirka 22 sekunder @16fps, men med kausal inferens kan värdet sättas högre
– local_attn_size: storleken på det lokala uppmärksamhetsfönstret, styr hur många historiska bildrutor som beaktas i varje steg
– sink_size: antal ankarbildrutor; de första bildrutorna behålls som global kontext

Sätt att testa online

Inga åtta A100:or? Ingen fara, teamet tillhandahåller två onlineplattformar:

• Utanför Kina (Reactor): reactor.inc/lingbot-world-v2, spela direkt i webbläsaren
• I Kina (Lingguang): lingguang.com/support, kan upplevas på mobilen

Dessutom finns en officiell monter med komplett demo på WAIC 2026 (världskonferensen för artificiell intelligens) i slutet av juli – den som vill uppleva fullversionen kan bege sig dit då.

Driftsättning: SGLang stöds inbyggt

Om du planerar att driftsätta själv stöder SGLang redan inbyggt LingBot-World 2.0:s realtidsinferensväg. Den använder WebSocket + MessagePack-protokollet; servern underhåller en aktiv session och genererar videobildrutor chunk för chunk, med stöd för att dynamiskt ta emot kontrollhändelser under körning (kamerarörelser, ändringar av textprompt med mera).

Kärn-API:et är en /v1/realtime_video/generate WebSocket-slutpunkt; efter anslutningen skickar klienten först ett init-meddelande (med parametrar som första bildruta, prompt, storlek, FPS med flera) och kan sedan kontinuerligt skicka event-meddelanden för att uppdatera scenen. De stödda händelsetyperna är promptuppdatering, kamerarörelse och sammansatt inmatning.

Hur står sig det mot Google Genie 3?

Redan vid lanseringen av version 1.0 positionerade teamet sig tydligt mot Google Genie 3. Från 1.0 till 2.0 har gapet inte bara stängts – inom vissa dimensioner har man till och med gått om motståndaren:

• Längd: Genie 3 har begränsad längd vs. LingBot 2.0 gränslös
• Upplösning/FPS: Genie 3 har inte offentliggjort detaljerade specifikationer vs. LingBot 2.0 med tydliga 720p@60fps
• Öppen källkod: Genie 3 är stängd vs. LingBot 2.0 helt öppen (uppsats + kod + vikter)
• Interaktionsrikedom: LingBot 2.0:s Agentic Harness är den första i sitt slag inom världsmodellområdet

Begränsningar och brister

Objektivt sett några begränsningar:

• 14B-versionen kräver 8 GPU-kort, så tröskeln är inte låg (1.3B-versionen lindrar problemet)
• 2.0-licensen är ändrad till CC BY-NC-SA 4.0; kommersiellt bruk kräver separat licens
• Teamet har klart uttalat att ingen driftsättningskod kommer att släppas – du får själv utgå från SGLang eller flashdreams
• Realtidsversionen med 60fps är en destillerad lättviktsvariant; bildkvaliteten är teoretiskt sett sämre än fullvärdiga 14B

Vad betyder det här?

Världsmodeller håller på att gå från ”labb-demo” till ”användbar produkt”. LingBot-World 2.0:s tre nyckelgenombrott – obegränsad längd, realtidssvar, agentdrivning – motsvarar precis kärnbehoven hos de tre stora tillämpningsområdena spel, virtuella världar och robotträning.

Föreställ dig: en bild + en text, och AI:n genererar en 3D-värld som du kan utforska fritt och som aldrig stannar, med rollfigurer som kastar besvärjelser, nya objekt som dyker upp slumpmässigt och en miljö som ständigt utvecklas. Det är inte science fiction längre – det är kod som kan köras redan idag.

Från LingBot-Depth (rumslig perception) till LingBot-VLA (kroppsnära beslutsfattande) till LingBot-World (världssimulering), plus den nyligen öppen källkod-släppta LingBot-Map (realtidskartläggning), har Robbyant-teamet byggt upp en komplett teknisk stack för kroppsberoende intelligens. Världsmodellen är den mest avgörande pusselbiten – den låter AI:n inte bara ”förstå” världen, utan också ”skapa” den.

En bild, en mening, en oändlig värld. Sådan är världsmodellens 2026.

Projektadress: github.com/Robbyant/lingbot-world-v2
Uppsats: arxiv.org/abs/2607.07534
Testa online: reactor.inc/lingbot-world-v2