Bir görselden hiç durmayan 3D dünyalar: LingBot-World 2.0 bugün açık kaynak olarak yayınlandı, 60fps sınırsız etkileşim

Dünya modeli yarışına yine bir derin su bombası atıldı. 9 Temmuz'da Ant Lingbo ekibi (Robbyant), LingBot-World 2.0'ı (kod adı LingBot-World-Infinity) resmi olarak açık kaynaklı yayınladı; makale, kod ve model ağırlıklarından oluşan üçlü tamamen paylaşıma açıldı. Bu sefer, dünya modellerinin en zorlu iki problemi olan “sınırsız süre” ve “rastgele değişen dünya” konularını çözdüler.

Önce en çarpıcı birkaç sayıyı söyleyelim: 720p, 60fps, sınırsız süre. “Sınırsıza yakın” değil; nedensel ön eğitim paradigması altında gerçek anlamda sınırsız etkileşim — GPU'nuzun gücü kesilmediği sürece model sürekli üretim yapabiliyor ve çıktı kalitesi zamanla bozulmuyor. 1.0 sürümü yalnızca yaklaşık 10 dakika kadar kararlı üretim yapabiliyorken, bu sürüm sınırı en üste çekti.

Dört büyük çekirdek yükseltme: “kullanılabilir”den “eğlenceli”ye

LingBot-World 2.0, dört boyutta nitel bir sıçrama getiriyor ve her biri dünya modellerinin en can alıcı noktasına hitap ediyor.

① Sınırsız etkileşim süresi

En sert çekirdekli atılım bu. 1.0 sürümü yaklaşık 10 dakika kadar kararlı üretimi desteklese de nihayetinde bir üst sınırı vardı. 2.0, özenle tasarlanmış nedensel ön eğitim paradigmasını (causal pretraining paradigm) kullanarak, çıktı kalitesini korurken üst sınırı olmayan bir etkileşim süresine ulaşabiliyor. Kısacası: karakteriniz dünyada sonsuza kadar koşmaya devam edebilir; görüntü giderek bulanıklaşmaz, fizik mantığı giderek karışmaz.

Teknik açıdan kilit nokta, KV Cache'in kayan pencere tasarımı. Model tüm geçmiş kareleri belleğe yığmak yerine, sink kareler (çapa kareler) + en son N karenin KV önbelleğini tutar ve akan bir nehir gibi ilerler. Böylece hem uzun vadeli tutarlılık sağlanıyor hem de bellek tüketimi kontrol altında tutuluyor.

② 60fps gerçek zamanlı yanıt

1.0 sürümü 16FPS ve 1 saniyenin altında gecikme sunuyordu. 2.0, gerçek zamanlı sürümü doğrudan 720p 60fps'e damıttı. Bu önceden render edilmiş bir video oynatması değil, gerçek anlamda gerçek zamanlı üretim — bir tuşa bastığınızda görüntü anında tepki veriyor. Ekip, model damıtma (distillation) tekniğiyle 14B taban modelden hafif bir gerçek zamanlı varyant çıkardı ve görüntü kalitesini korurken çıkarım gecikmesini büyük ölçüde düşürdü.

③ Daha zengin etkileşim öğeleri

1.0 sürümü temel olarak kamera kontrolünü (kaydırma, döndürme) ve temel hareketleri (ileri gitme, zıplama) destekliyordu. 2.0, hareket setini büyük ölçüde genişletti: saldırı, ok atma, büyü yapma, ateş etme artık tamamen destekleniyor. Daha da önemlisi, metinle yönlendirilen bir olay sistemi geldi — dünya durumunu metinle değiştirebilirsiniz; örneğin “bir sandalye çağır” ya da “bir çiçek çıkar” dediğinizde model ilgili içeriği gerçek zamanlı üretip sahneye ekliyor.

④ Agentic Harness: Yapay zekânın kendisi yönetmen oluyor

En öncü deneme bu. Ekip, dünya modelinin içine iki rol içeren bir ajan çerçevesi entegre etti:

• Pilot Agent (pilot ajan): karakter davranışlarını planlamaktan ve yürütmekten sorumlu; karakterin nereye gideceğine ve hangi hareketi yapacağına karar veriyor
• Director Agent (yönetmen ajan): yeni ortam öğeleri sentezlemekten sorumlu; sahne ilerledikçe dinamik olarak yeni içerik üretiyor

Yani model tek başına bir oyun motoru + oyun tasarımcısı gibi çalışabiliyor; ona yalnızca bir görsel ve bir metin açıklaması vermeniz yeterli, kendiliğinden sürekli evrilen bir dünya üretebiliyor.

Model ölçekleri: 14B amiral gemisi + 1.3B hafif

Bu sefer iki boyutta model yayınlandı:

• 14B amiral gemisi sürümü: causal-fast (nedensel hızlı çıkarım), causal-pretrain (nedensel ön eğitim) ve bidirectional (çift yönlü) olmak üzere üç varyant sunuyor; tam performans
• 1.3B hafif sürüm: causal-fast ve causal-pretrain olmak üzere iki varyant sunuyor; tek GPU'ya dağıtımı destekliyor

14B sürümü çoklu GPU paralel çıkarım için 8 GPU gerektirirken, 1.3B sürümü tek kartta çalışabiliyor. Her iki sürüm de HuggingFace ve ModelScope'a yüklendi. 1.0, Apache 2.0 esnek lisansıyla gelirken, 2.0 CC BY-NC-SA 4.0'a (ticari olmayan) geçti.

Nasıl çalıştırılır

Kod, Wan2.2 üzerine kuruludur; kurulum akışı oldukça standarttır:

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

Model ağırlıklarını indirin (14B causal-fast örneği):

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

480P nedensel çıkarım çalıştırın:

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…”

Kilit parametrelerin açıklaması:
– frame_num: üretilecek kare sayısı; 361 kare, 16fps hızında yaklaşık 22 saniyeye denk gelir, ancak nedensel çıkarımda daha büyük bir değer ayarlanabilir
– local_attn_size: yerel dikkat penceresi boyutu; her adımda kaç geçmiş kareye bakılacağını kontrol eder
– sink_size: çapa kare sayısı; ilk birkaç kare, genel bağlam olarak saklanır

Çevrimiçi deneme kanalları

8 kartlık A100'ünüz mü yok? Sorun değil; ekip iki çevrimiçi deneyim platformu sunuyor:

• Yurt dışı (Reactor): reactor.inc/lingbot-world-v2 — tarayıcı üzerinden doğrudan oynanabilir
• Yurt içi (Lingguang): lingguang.com/support — mobil cihazlarda deneyimlenebilir

Ayrıca 7 ay sonunda WAIC 2026 (Dünya Yapay Zekâ Kongresi)'nde resmi tam sürüm demo standı olacak; tam güçte sürümü denemek isteyenler o zaman yerinde deneyebilir.

Dağıtım çözümü: SGLang artık yerel olarak destekliyor

Kendiniz dağıtmayı planlıyorsanız, SGLang artık LingBot-World 2.0'ın gerçek zamanlı çıkarım yolunu yerel olarak destekliyor. WebSocket + MessagePack protokolünü kullanan sunucu, aktif bir oturum tutuyor, video karelerini chunk chunk üretiyor ve çalışma zamanında kontrol olaylarını (kamera hareketleri, metin prompt değişiklikleri vb.) dinamik olarak almayı destekliyor.

Çekirdek API /v1/realtime_video/generate WebSocket uç noktasıdır; istemci bağlandıktan sonra önce bir init mesajı gönderiyor (ilk kare görseli, prompt, boyut, FPS vb. parametreleri içerir) ve ardından sahneyi güncellemek için sürekli event mesajları gönderebiliyor. Desteklenen olay türleri arasında prompt güncelleme, kamera hareketleri ve bileşik girdi olmak üzere üç tür bulunuyor.

Google Genie 3 ile karşılaştırma nasıl?

1.0 yayınlandığında ekip, açıkça Google Genie 3'ü hedef aldığını belirtmişti. 1.0'dan 2.0'a, fark yalnızca kapatılmakla kalmadı; bazı boyutlarda geride bırakıldı:

• Süre: Genie 3 sınırlı süre vs LingBot 2.0 sınırsız
• Çözünürlük/FPS: Genie 3 ayrıntılı özellikleri açıklamadı vs LingBot 2.0 net bir şekilde 720p@60fps
• Açık kaynak derecesi: Genie 3 kapalı kaynak vs LingBot 2.0 tamamen açık kaynak (makale + kod + ağırlıklar)
• Etkileşim zenginliği: LingBot 2.0'ın Agentic Harness'ı, dünya modeli alanında bir ilk

Sınırlamalar ve eksikler

Nesnel birkaç sınırlamayı belirtelim:

• 14B sürümü 8 GPU gerektiriyor; giriş eşiği düşük değil (1.3B sürümü bu sorunu hafifletiyor)
• 2.0 lisansı CC BY-NC-SA 4.0 olarak değişti; ticari kullanım için ayrı yetki gerekiyor
• Ekip, dağıtım kodunu yayınlamayacağını açıkça belirtti; SGLang ya da flashdreams'i referans alıp kendiniz halletmeniz gerekiyor
• Gerçek zamanlı 60fps sürümü, damıtılmış hafif bir varyant; görüntü kalitesi teorik olarak tam güçlü 14B'ye eşit değil

Bu ne anlama geliyor

Dünya modelleri, “laboratuvar demosu”ndan “kullanılabilir ürüne” doğru ilerliyor. LingBot-World 2.0'ın üç kritik atılımı — sınırsız süre, gerçek zamanlı yanıt, ajan odaklı yönetim — tam olarak oyun, sanal dünya ve robot eğitimi gibi üç büyük uygulama senaryosunun çekirdek ihtiyaçlarına karşılık geliyor.

Bir düşünün: bir görsel ve bir metinle yapay zekâ, özgürce keşfedebileceğiniz, hiç durmayan bir 3D dünya üretebiliyor; içinde büyü yapabilen karakterler, rastgele ortaya çıkan yeni nesiller ve sürekli evrilen bir ortam var. Bu artık bilim kurgu değil; bugün çalıştırabileceğiniz kod.

Ant Lingbo ekibi, LingBot-Depth (uzamsal algı), LingBot-VLA (gömülü karar verme), LingBot-World (dünya simülasyonu) ve yeni açık kaynaklanan LingBot-Map (gerçek zamanlı haritalama) ile eksiksiz bir gömülü zekâ teknolojisi yığını kurmuş durumda. Dünya modeli bu yapının en kritik parçası — yapay zekâya dünyayı yalnızca “anlamayı” değil, aynı zamanda “yaratmayı” da sağlıyor.

Bir görsel, bir cümle, sınırsız bir dünya. Dünya modellerinin 2026'sı bu.

Proje adresi: github.com/Robbyant/lingbot-world-v2
Makale: arxiv.org/abs/2607.07534
Çevrimiçi deneme: reactor.inc/lingbot-world-v2