螞蟻集團旗下具身智慧部門Robbyant近日釋出了LingBot-World-Infinity（又稱LingBot-World 2.0），這是一個140億引數的因果影片生成模型，能夠作為互動式世界模擬器執行。該模型旨在解決互動式世界模型中的兩大挑戰：長時程漂移和互動延遲。
LingBot-World-Infinity的核心技術是雙向自迴歸混合注意力掩碼（MoBA）與分佈匹配蒸餾（DMD）的結合。MoBA機制將注意力劃分為雙向層和自迴歸層，分別處理全域性互動與因果生成。DMD則透過在長自滾動軌跡上應用分佈匹配，有效抑制了紋理模糊和幾何扭曲等漂移現象。研究團隊將影片生成形式化為因果分解：$p_\theta(x_{1:T} | a_{1:T}) = \prod_t p_\theta(x_t | x_{<t}, a_{\le t})$，其中每幀僅依賴過去幀和當前動作。
該模型配備了一個名為“導演-飛行員”的智慧體框架。導演智慧體由視覺語言模型（VLM）驅動，負責根據當前場景和使用者指令提議事件；飛行員智慧體則基於擴散變換器（DiT）架構，根據導演的提議生成對應的影片幀。這一框架使模型能夠實現無限持續的影片生成，研究論文中展示了一個長達60分鐘、涵蓋20個不同場景的連續會話。
在效能方面，研究論文透過並排幀網格進行定性比較，聲稱LingBot-World-Infinity在生成時長、語義互動、動態程度等方面優於GameGAN、DreamWorld、HappyOyster等模型。然而，開源釋出內容相對有限：僅包含一個140B檢查點、一個480P（480×832）參考指令碼，以及可透過Hugging Face Diffusers或Reactor服務呼叫的介面。模型採用CC BY-NC-SA 4.0許可證，限制商業使用。值得注意的是，論文中提到的720p/60fps效能依賴於未公開發布的部署棧，公開指令碼需8塊GPU執行。
LingBot-World-Infinity的應用場景包括：遊戲與關卡原型設計（透過熱切換提示詞改變環境氛圍）、具身模擬（生成第一人稱視角滾動用於策略學習）、影片理解合成資料（分段提示生成帶標註的事件）、智慧體評估框架（由導演提議事件並評分下游智慧體反應），以及預視覺化（控制相機視角並即時重設世界風格）。
該專案在GitHub上開源，並提供論文、專案頁面和模型權重連結。研究人員和開發者可透過相關資源進一步探索。