Tạo thế giới 3D không bao giờ dừng lại từ một bức ảnh: LingBot-World 2.0 hôm nay chính thức mở mã nguồn, tương tác vô hạn ở 60fps

Trường đua mô hình thế giới vừa nhận thêm một quả bom thẳng sâu. Ngày 9/7, đội ngũ Robbyant của Ant chính thức phát hành mã nguồn mở LingBot-World 2.0 (tên mã LingBot-World-Infinity), công khai trọn bộ ba bài báo, mã nguồn và trọng số mô hình. Lần này, họ đã cày xát hai khúc xương cứng nhất của mô hình thế giới: "thời lượng vô hạn" và "thế giới biến đổi ngẫu nhiên".

Trước hết là những con số chấn động nhất: 720p, 60fps, thời lượng vô hạn. Không phải "gần như vô hạn", mà là tương tác thực sự không giới hạn trong phạm vi huấn luyện trước nhân quả – chỉ cần GPU của bạn không mất điện, mô hình có thể sinh dữ liệu mãi mãi, và chất lượng đầu ra không suy giảm theo thời gian. So với phiên bản 1.0 chỉ duy trì được gần 10 phút sinh ổn định, thế hệ này đã bắn hết đạn vào vạch-max.

Bốn nâng cấp cốt lõi: từ "dùng được" đến "vui thật"

LingBot-World 2.0 mang đến bốn bước nhảy chất lượng, mỗi bước đều đánh trúng điểm đau của mô hình thế giới.

① Thời lượng tương tác không giới hạn

Đây là bước đột phá cứng cáp nhất. Phiên bản 1.0 tuy hỗ trợ gần 10 phút sinh ổn định nhưng vẫn có trần giới. Bản 2.0 áp dụng mô hình huấn luyện trước nhân quả (causal pretraining paradigm) được thiết kế tỉ mỉ, cho phép mô hình đạt thời lượng tương tác không giới hạn trong khi giữ chất lượng đầu ra nhất quán. Nói đơn giản: nhân vật của bạn có thể chạy mãi trong thế giới, hình ảnh không mờ dần, logic vật lý không rối dần.

Chìa khóa kỹ thuật nằm ở thiết kế cửa sổ trượt của KV Cache. Mô hình không nhồi tất cả khung hình lịch sử vào bộ nhớ hiển thị, mà giữ KV cache gồm các khung sink (khung neo) + N khung gần nhất, tiến về phía trước như một dòng sông chảy. Vừa bảo đảm tính nhất quán dài hạn, vừa kiểm soát mức tiêu hao VRAM.

② Phản hồi thời gian thực 60fps

Phiên bản 1.0 là 16FPS với độ trễ dưới 1 giây. Bản 2.0 chưng cất phiên bản thời gian thực thẳng lên 720p 60fps. Đây không phải video dựng sẵn phát lại, mà là sinh dữ liệu thực sự theo thời gian thực – bạn nhấn phím, khung hình phản hồi tức thì. Nhờ kỹ thuật chưng cất mô hình (distillation), đội ngũ rút ra một biến thể nhẹ thời gian thực từ mô hình nền 14B, vừa giữ chất lượng hình ảnh vừa cắt mạnh độ trễ suy luận.

③ Yếu tố tương tác phong phú hơn

Phiên bản 1.0 chủ yếu hỗ trợ điều khiển camera (pan, xoay) và hành động cơ bản (tiến, nhảy). Bản 2.0 mở rộng mạnh bộ hành động: tấn công, bắn cung, thi triển phép, bắn súng đều được hỗ trợ. Quan trọng hơn là hệ thống sự kiện điều khiển bằng văn bản – bạn có thể dùng mô tả chữ để thay đổi trạng thái thế giới, ví dụ "triệu hồi một chiếc ghế", "biến ra một đóa hoa", mô hình sẽ sinh nội dung tương ứng theo thời gian thực và hòa vào cảnh.

④ Agentic Harness: AI tự làm đạo diễn

Đây là thử nghiệm tiên phong nhất. Đội ngữ tích hợp một khung agentic vào mô hình thế giới, gồm hai vai trò:

Pilot Agent (tác nhân phi công): chịu trách nhiệm lập kế hoạch và thi hành hành vi nhân vật, quyết định nhân vật đi đâu, làm hành động gì
Director Agent (tác nhân đạo diễn): chịu trách nhiệm tổng hợp các yếu tố môi trường mới, sinh nội dung mới động theo tiến triển của cảnh

Tức là mô hình một mình có thể đóng vai game engine + game designer, bạn chỉ cần cho nó một bức ảnh và một đoạn mô tả chữ, nó tự chạy ra một thế giới không ngừng tiến hóa.

Thông số mô hình: 14B flagship + 1.3B nhẹ

Lần này phát hành hai cỡ mô hình:

Bản flagship 14B: cung cấp ba biến thể causal-fast (suy luận nhân quả nhanh), causal-pretrain (huấn luyện trước nhân quả), bidirectional (hai chiều), hiệu năng full-power
Bản nhẹ 1.3B: cung cấp hai biến thể causal-fast và causal-pretrain, hỗ trợ triển khai trên một GPU

Bản 14B cần 8 GPU chạy suy luận song song đa thẻ, bản 1.3B một thẻ là chạy được. Cả hai đã được tải lên HuggingFace và ModelScope. Bản 1.0 dùng giấy phép mở Apache 2.0, bản 2.0 đổi sang CC BY-NC-SA 4.0 (không thương mại).

Cách chạy

Mã nguồn được xây dựng trên nền Wan2.2, quy trình cài đặt rất chuẩn:

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

Tải trọng số mô hình (lấy 14B causal-fast làm ví dụ):

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

Chạy một suy luận nhân quả 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…”

Giải thích tham số then chốt:
– frame_num: số khung sinh ra, 361 khung khoảng 22 giây @16fps, nhưng dưới chế độ suy luận nhân quả có thể đặt lớn hơn
– local_attn_size: kích thước cửa sổ chú ý cục bộ, kiểm soát mỗi bước nhìn bao nhiêu khung lịch sử
– sink_size: số khung neo, giữ lại vài khung đầu làm ngữ cảnh toàn cục

Kênh trải nghiệm trực tuyến

Không có 8 chiếc A100? Không sao, đội ngũ cung cấp hai nền tảng trải nghiệm trực tuyến:

Quốc tế (Reactor): reactor.inc/lingbot-world-v2, chơi thẳng trên web
Trung Quốc (Lingguang): lingguang.com/support, có thể trải nghiệm trên điện thoại

Ngoài ra, tại WAIC 2026 (Hội nghị AI thế giới) cuối tháng 7 sẽ có gian hàng Demo chính thức đầy đủ, ai muốn trải nghiệm bản full-power có thể đến tận nơi lúc đó.

Phương án triển khai: SGLang đã hỗ trợ nguyên bản

Nếu bạn định tự triển khai, SGLang đã hỗ trợ nguyên bản đường suy luận thời gian thực của LingBot-World 2.0. Nó dùng giao thức WebSocket + MessagePack, server duy trì một phiên hoạt động, sinh khung video theo từng chunk, hỗ trợ nhận sự kiện điều khiển động khi đang chạy (hành động camera, thay đổi prompt văn bản v.v.).

API lõi là /v1/realtime_video/generate WebSocket endpoint, client kết nối xong gửi trước tin nhắn init (chứa ảnh khung đầu, prompt, kích thước, FPS v.v.), rồi có thể liên tục gửi tin nhắn event để cập nhật cảnh. Các loại sự kiện được hỗ trợ gồm cập nhật prompt, hành động camera, và đầu vào ghép – ba loại.

So với Google Genie 3 thì sao?

Ngay từ khi phát hành 1.0, đội ngũ đã công khai lấy Google Genie 3 làm chuẩn so sánh. Từ 1.0 đến 2.0, khoảng cách không những được san bằng mà một số chiều còn vượt lên:

Thời lượng: Genie 3 thời lượng giới hạn vs LingBot 2.0 không giới hạn
Độ phân giải/FPS: Genie 3 chưa công bố thông số chi tiết vs LingBot 2.0 công khai rõ 720p@60fps
Mức độ mở mã nguồn: Genie 3 đóng mã nguồn vs LingBot 2.0 mở hoàn toàn (bài báo + mã + trọng số)
Độ phong phú tương tác: Agentic Harness của LingBot 2.0 là sáng tạo đầu tiên trong lĩnh vực mô hình thế giới

Giới hạn và thiếu sót

Khách quan mà nói, có vài điểm hạn chế:

Bản 14B cần 8 GPU, rào cản không thấp (bản 1.3B đã giảm nhẹ vấn đề này)
Bản 2.0 đổi giấy phép sang CC BY-NC-SA 4.0, dùng thương mại cần cấp phép riêng
Đội ngũ tuyên bố rõ sẽ không phát hành mã triển khai, phải tự tham khảo SGLang hoặc flashdreams để mò
Bản thời gian thực 60fps là biến thể nhẹ được chưng cất, chất lượng hình ảnh về lý thuyết không bằng bản 14B full-power

Điều này nghĩa là gì

Mô hình thế giới đang từ "Demo phòng thí nghiệm" tiến lên "sản phẩm dùng được". Ba bước đột phá then chốt của LingBot-World 2.0 – thời lượng vô hạn, phản hồi thời gian thực, dẫn dắt bằng agentic – đúng trùng khớp nhu cầu lõi của ba kịch bản ứng dụng: game, thế giới ảo, huấn luyện robot.

Hãy tưởng tượng: một bức ảnh + một đoạn chữ, AI có thể sinh ra một thế giới 3D bạn tự do khám phá, không bao giờ dừng, bên trong có nhân vật biết thi triển phép, vật thể mới xuất hiện ngẫu nhiên, môi trường không ngừng tiến hóa. Đây không còn là khoa học viễn tưởng, đây là mã nguồn chạy được ngay hôm nay.

Từ LingBot-Depth (cảm nhận không gian) đến LingBot-VLA (quyết định embodied) rồi LingBot-World (mô phỏng thế giới), cộng thêm LingBot-Map (lập bản đồ thời gian thực) vừa mở mã nguồn, đội ngũ Robbyant đã dựng được một stack công nghệ embodied intelligence hoàn chỉnh. Mô hình thế giới là mảnh ghép then chốt nhất trong đó – nó khiến AI không chỉ "hiểu" thế giới, mà còn "tạo ra" được thế giới.

Một bức ảnh, một câu chữ, một thế giới vô hạn. Đó chính là năm 2026 của mô hình thế giới.

Địa chỉ dự án: github.com/Robbyant/lingbot-world-v2
Bài báo: arxiv.org/abs/2607.07534
Trải nghiệm trực tuyến: reactor.inc/lingbot-world-v2