蚂蚁灵波开源具身智能视频模型 LingBot-Video，30B 参数仅激活 3B
蚂蚁灵波开源面向具身智能的 MoE 视频基础模型 LingBot-Video，总参数 30B、推理仅激活 3B，训练数据含超 7 万小时机器人操作、导航与第一视角视频。
蚂蚁灵波团队开源了 LingBot-Video，定位为面向具身智能的大规模 MoE 视频基础模型（"视频物理引擎"）。
- 架构：MoE 结构，总参数 30B，推理时仅激活约 3B，兼顾模型容量与推理成本；
- 数据：引入超过 70000 小时具身相关视频，覆盖机器人操作、导航、第一视角，以及真实机器人、仿真和第三人称视角等；
- 训练：加入多维奖励系统，把物理合理性、任务完成度纳入优化目标；
- 效果：团队称在 RBench 上超越通用视频生成标杆模型，TI2V 任务在开源模型中达到 SOTA。
代码、技术报告与权重已在 GitHub、arXiv 和 HuggingFace 公开，项目主页：technology.robbyant.com/lingbot-video。
对创作者意味着什么： 这款模型主要服务机器人研究，但"更懂物理规律"的视频生成思路会逐步传导到通用视频工具上——第一视角、物体交互类镜头的真实感有望提升；MoE 低激活参数也意味着本地或低成本部署更可行。
信息来源：GitHub · robbyant/lingbot-video（本文为编辑整理改写）
