繁體中文

← 返回列表

一張圖生成永不停歇的3D世界：LingBot-World 2.0今日開源，60fps無界交互

itadol5j

世界模型這條賽道，又有人扔了一顆深水炸彈。7月9日，螞蟻靈波團隊（Robbyant）正式開源發佈 LingBot-World 2.0（代號 LingBot-World-Infinity），論文、代碼、模型權重三件套全部公開。這一次，他們把”無限時長”和”隨機變化的世界”這兩個世界模型最難的骨頭，啃下來了。

LingBot World 2.0 世界模型

先說最炸裂的幾個數字：720p、60fps、無限時長。不是”接近無限”，是因果預訓練範式下的真正無界交互–只要你的GPU不斷電，模型就能一直生成下去，而且輸出質量不會隨時間崩壞。對比1.0版本只能維持近10分鐘的穩定生成，這代直接拉滿了。

四大核心升級：從”能用”到”好玩”

LingBot-World 2.0 帶來了四個維度的質變，每一個都直擊世界模型的痛點。

① 無界交互時長

這是最硬核的突破。1.0版本雖然支持近10分鐘穩定生成，但終究有上限。2.0採用精心設計的因果預訓練範式（causal pretraining paradigm），模型可以在保持輸出質量一致的前提下，實現無上限的交互時長。簡單說就是：你的角色可以在世界裏一直跑下去，畫面不會越來越糊，物理邏輯不會越來越亂。

技術上的關鍵在於KV Cache的滑動窗口設計。模型不會把所有歷史幀都塞進顯存，而是保留sink幀（錨定幀）+ 最近N幀的KV緩存，像一條流動的河一樣往前走。既保證了長程一致性，又控制了顯存消耗。

無限時長世界生成

② 60fps實時響應

1.0版本是16FPS、延遲1秒以內。2.0直接把實時版本蒸餾到了720p 60fps。這不是預渲染好的視頻回放，是真正的實時生成–你按下按鍵，畫面立刻響應。團隊通過模型蒸餾技術，從14B基礎模型中提煉出一個輕量級實時變體，在保持畫面質量的同時大幅壓縮了推理延遲。

③ 更豐富的交互元素

1.0版本主要支持相機控制（平移、旋轉）和基礎動作（前進、跳躍）。2.0大幅擴展了動作集：攻擊、射箭、施法、射擊全部支持。更重要的是引入了文本驅動的事件系統–你可以用文字描述來改變世界狀態，比如”召喚一把椅子”、”變出一朵花”，模型會實時生成對應內容並融入場景。

④ Agentic Harness：AI自己當導演

這是最前沿的嘗試。團隊在世界模型裏集成了一個智能體框架，包含兩個角色：

  • Pilot Agent（飛行員代理）：負責規劃和執行角色行爲，決定角色往哪走、做什麼動作
  • Director Agent（導演代理）：負責合成新的環境元素，隨着場景推進動態生成新內容

等於說模型自己就能當一個遊戲引擎+遊戲策劃，你只需要給它一張圖和一段文字描述，它就能自己跑出一個不斷演化的世界。

Agentic Harness 智能體框架

模型規格：14B旗艦 + 1.3B輕量

這次發佈了兩個尺寸的模型：

  • 14B旗艦版：提供 causal-fast（因果快速推理）、causal-pretrain（因果預訓練）、bidirectional（雙向）三種變體，滿血性能
  • 1.3B輕量版：提供 causal-fast 和 causal-pretrain 兩種變體，支持單GPU部署

14B版本需要8張GPU跑多卡並行推理，1.3B版本單卡就能跑起來。兩個版本都已經上傳HuggingFace和ModelScope。1.0是Apache 2.0寬鬆許可，2.0改爲CC BY-NC-SA 4.0（非商用）。

怎麼跑起來

代碼基於 Wan2.2 構建，安裝流程很標準：

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

下載模型權重（以14B causal-fast爲例）：

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

跑一個480P的因果推理：

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…”

關鍵參數說明：
– frame_num：生成幀數，361幀約22秒@16fps，但因果推理下可以設更大
– local_attn_size：局部注意力窗口大小，控制每步看多少歷史幀
– sink_size：錨定幀數量，保留最初幾幀作爲全局上下文

在線試玩渠道

沒有8卡A100？沒關係，團隊提供了兩個在線體驗平臺：

  • 海外（Reactor）：reactor.inc/lingbot-world-v2，網頁端直接玩
  • 國內（靈光）：lingguang.com/support，手機端可體驗

另外，7月底的WAIC 2026（世界人工智能大會）上會有官方完整Demo展臺，想體驗滿血版本的可以到時候去現場。

部署方案：SGLang已原生支持

如果你打算自己部署，SGLang 已經原生支持 LingBot-World 2.0 的實時推理路徑。它走的是WebSocket + MessagePack協議，服務器維護一個活躍會話，逐chunk生成視頻幀，支持運行時動態接收控制事件（相機動作、文本prompt變更等）。

核心API是 /v1/realtime_video/generate WebSocket端點，客戶端連接後先發init消息（包含首幀圖片、prompt、尺寸、FPS等參數），然後可以持續發送event消息來更新場景。支持的事件類型包括prompt更新、相機動作、複合輸入三種。

和Google Genie 3對比如何？

1.0版本發佈時，團隊就明確對標Google Genie 3。從1.0到2.0，差距不僅追平了，部分維度還反超了：

  • 時長：Genie 3有限時長 vs LingBot 2.0無界
  • 分辨率/FPS：Genie 3未公開詳細規格 vs LingBot 2.0明確720p@60fps
  • 開源程度：Genie 3閉源 vs LingBot 2.0全開源（論文+代碼+權重）
  • 交互豐富度：LingBot 2.0的Agentic Harness是世界模型領域首創

侷限和不足

客觀說幾點限制：

  • 14B版本需要8卡GPU，門檻不低（1.3B版本緩解了這個問題）
  • 2.0許可證改爲CC BY-NC-SA 4.0，商用需要單獨授權
  • 團隊明確表示不會發布部署代碼，需要自己參考SGLang或flashdreams搞
  • 實時60fps版本是蒸餾出來的輕量變體，畫質理論上不如滿血14B

這意味着什麼

世界模型正在從”實驗室Demo”走向”可用的產品”。LingBot-World 2.0的三個關鍵突破–無限時長、實時響應、智能體驅動–恰好對應了遊戲、虛擬世界、機器人訓練三大應用場景的核心需求。

想象一下：一張圖片+一段文字，AI就能生成一個你可以自由探索、永不停歇的3D世界，裏面有會施法的角色、隨機出現的新物體、持續演化的環境。這不是科幻了，這是今天就能跑起來的代碼。

螞蟻靈波團隊從LingBot-Depth（空間感知）到LingBot-VLA（具身決策）再到LingBot-World（世界模擬），加上新開源的LingBot-Map（實時建圖），已經搭出了一條完整的具身智能技術棧。世界模型是其中最關鍵的一塊拼圖–它讓AI不只能”看懂”世界，還能”創造”世界。

一張圖，一句話，一個無限世界。這就是世界模型的2026年。

項目地址：github.com/Robbyant/lingbot-world-v2
論文：arxiv.org/abs/2607.07534
在線試玩：reactor.inc/lingbot-world-v2