遇见LingBot-World-Infinity：一个开源的因果世界模型与智能体框架
蚂蚁集团旗下具身智能部门Robbyant发布了LingBot-World-Infinity（LingBot-World 2.0），这是一个140亿参数的因果视频生成模型，可作为交互式世界模拟器。其核心技术是双向自回归混合注意力掩码（MoBA）和分布匹配蒸馏，旨在解决长时程漂移问题。该模型配备由视觉语言模型（VLM）和扩散变换器（DiT）组成的导演-飞行员智能体框架，支持无限持续的视频生成。尽管研究论文展示了60分钟不间断会话，但开源发布仅包含单个检查点和480P参考脚本，缺乏部署代码和定量基准，且采用非商业许可证。
蚂蚁集团旗下具身智能部门Robbyant近日发布了LingBot-World-Infinity（又称LingBot-World 2.0），这是一个140亿参数的因果视频生成模型，能够作为交互式世界模拟器运行。该模型旨在解决交互式世界模型中的两大挑战：长时程漂移和交互延迟。
LingBot-World-Infinity的核心技术是双向自回归混合注意力掩码（MoBA）与分布匹配蒸馏（DMD）的结合。MoBA机制将注意力划分为双向层和自回归层，分别处理全局交互与因果生成。DMD则通过在长自滚动轨迹上应用分布匹配，有效抑制了纹理模糊和几何扭曲等漂移现象。研究团队将视频生成形式化为因果分解：$p_\theta(x_{1:T} | a_{1:T}) = \prod_t p_\theta(x_t | x_{<t}, a_{\le t})$，其中每帧仅依赖过去帧和当前动作。
该模型配备了一个名为“导演-飞行员”的智能体框架。导演智能体由视觉语言模型（VLM）驱动，负责根据当前场景和用户指令提议事件；飞行员智能体则基于扩散变换器（DiT）架构，根据导演的提议生成对应的视频帧。这一框架使模型能够实现无限持续的视频生成，研究论文中展示了一个长达60分钟、涵盖20个不同场景的连续会话。
在性能方面，研究论文通过并排帧网格进行定性比较，声称LingBot-World-Infinity在生成时长、语义交互、动态程度等方面优于GameGAN、DreamWorld、HappyOyster等模型。然而，开源发布内容相对有限：仅包含一个140B检查点、一个480P（480×832）参考脚本，以及可通过Hugging Face Diffusers或Reactor服务调用的接口。模型采用CC BY-NC-SA 4.0许可证，限制商业使用。值得注意的是，论文中提到的720p/60fps性能依赖于未公开发布的部署栈，公开脚本需8块GPU运行。
LingBot-World-Infinity的应用场景包括：游戏与关卡原型设计（通过热切换提示词改变环境氛围）、具身模拟（生成第一人称视角滚动用于策略学习）、视频理解合成数据（分段提示生成带标注的事件）、智能体评估框架（由导演提议事件并评分下游智能体反应），以及预可视化（控制相机视角并实时重设世界风格）。
该项目在GitHub上开源，并提供论文、项目页面和模型权重链接。研究人员和开发者可通过相关资源进一步探索。