LingBot-Video: Primer modelo de fundación de video MoE de código abierto para inteligencia encarnada
Robbyant de Ant Group publica como código abierto LingBot-Video, un modelo MoE de generación de video de 30B-A3B que logra SOTA en RBench con licencia Apache 2.0.
La subsidiaria de IA encarnada de Ant Group, Robbyant (Ant Lingbo), ha publicado como código abierto LingBot-Video, el primer modelo de fundación de video a gran escala de Mixture-of-Experts (MoE) diseñado específicamente para inteligencia encarnada. El lanzamiento incluye tanto un modelo MoE de 30B-A3B como un modelo denso de 1.3B, junto con código y un reescritor de prompts, todo bajo la licencia Apache 2.0.
Arquitectura y Diseño
LingBot-Video utiliza una arquitectura basada en DiT con MoE disperso, activando solo 3 mil millones de parámetros por token mientras mantiene una capacidad total de 30 mil millones. Este diseño logra una inferencia ~3x más rápida que los modelos densos de capacidad similar. El modelo soporta tres modos de generación:
- Texto a Imagen (T2I)
- Texto a Video (T2V)
- Texto e Imagen a Video (TI2V)
Se incluye un modelo refiner separado para mejorar la calidad, y un reescritor de prompts basado en Qwen3.6-27B convierte prompts de texto plano en subtítulos JSON estructurados.
Datos de Entrenamiento y Sistema de Recompensas
El modelo fue entrenado con enormes cantidades de datos de video web integrados con más de 70,000 horas de datos encarnados, que cubren movimiento físico, acciones humanas, tareas robóticas y creación abierta. Un sistema de múltiples recompensas optimiza tres dimensiones:
- Alta estética — calidad visual
- Racionalidad física — adherencia a la física del mundo real
- Finalización de tareas — utilidad para tareas de IA encarnada
Rendimiento en Benchmarks
En el ranking RBench, LingBot-Video ocupa el #1 entre todos los modelos de código abierto, superando a Cosmos3 Super, LongCat-Video, Wan 2.2 A14B y HunyuanVideo 1.5. Obtiene una puntuación media de 0.620, destacando especialmente en tareas de manipulación (0.578), tareas de largo horizonte (0.634) y escenarios de cuatro patas (0.758).
El modelo también supera a varios sistemas cerrados, incluyendo Wan 2.6, Seedance 1.5 Pro y Veo 3 en múltiples categorías.
Integración con ComfyUI
El creador de ComfyUI, comfyanonymous, ya ha abierto una solicitud de extracción en progreso (WIP) para soporte nativo de LingBot-Video, lo que indica que la integración directa con ComfyUI está en camino.
Lanzamiento Complementario: LingBot-World 2.0
Junto con LingBot-Video, Robbyant también presentó LingBot-World 2.0, un modelo del mundo capaz de generar en tiempo real durante una hora. Esto marca un paso significativo hacia la conexión de la inteligencia digital con la comprensión del mundo físico.
Disponibilidad
Los modelos están disponibles en Hugging Face:
- MoE (30B-A3B): robbyant/lingbot-video-moe-30b-a3b
- Denso (1.3B): robbyant/lingbot-video-dense-1.3b
- Rewriter LoRA: robbyant/lingbot-video-rewriter-lora
Código fuente y scripts de inferencia: github.com/Robbyant/lingbot-video
Artículo de investigación: arXiv:2607.07675