LingBot-Video：身体知能のための初のオープンソースMoEビデオ基盤モデル
アントグループのRobbyantが、Apache 2.0ライセンスの下でRBenchでSOTAを達成する30B-A3B MoEビデオ生成モデル、LingBot-Videoをオープンソース化。
アントグループの身体知能子会社 Robbyant（アント霊波）は、身体知能向けに特化した初の大規模Mixture-of-Experts（MoE）ビデオ基盤モデル LingBot-Video をオープンソース化しました。今回のリリースには、30B-A3B MoE モデルと 1.3B デンスモデルに加え、コードとプロンプトリライターが含まれており、すべて Apache 2.0 ライセンスの下で提供されます。
アーキテクチャと設計
LingBot-Videoは、スパースMoEを備えたDiTベースのアーキテクチャを採用し、合計30Bの容量を維持しながら、トークンあたりわずか 3Bパラメータ を活性化します。この設計により、同等の能力を持つデンスモデルと比較して 約3倍高速な推論 を実現します。このモデルは、以下の3つの生成モードをサポートします。
- テキストから画像へ（T2I）
- テキストから動画へ（T2V）
- テキスト・画像から動画へ（TI2V）
品質向上のための別のリファイナーモデルと、Qwen3.6-27B に基づくプロンプトリライターが含まれており、プレーンテキストのプロンプトを構造化されたJSONキャプションに変換します。
トレーニングデータと報酬システム
このモデルは、大規模なWebビデオデータと 70,000時間以上 の身体データ（物理動作、人間の行動、ロボットタスク、オープンエンドな創作をカバー）を統合してトレーニングされました。マルチリワードシステムは、以下の3つの側面を最適化します。
- 高い美的品質 — 視覚的な品質
- 物理的合理性 — 実世界の物理法則への準拠
- タスク完了度 — 身体知能タスクへの有用性
ベンチマークパフォーマンス
RBench リーダーボードで、LingBot-Videoは オープンソースモデルの中で第1位 を獲得し、Cosmos3 Super、LongCat-Video、Wan 2.2 A14B、HunyuanVideo 1.5を上回りました。平均スコア 0.620 を達成し、特に操作タスク（0.578）、長期タスク（0.634）、四足歩行シナリオ（0.758）で優れています。
このモデルは、複数のカテゴリでWan 2.6、Seedance 1.5 Pro、Veo 3などのいくつかのクローズドソースシステムも上回っています。
ComfyUI統合
ComfyUIクリエイターの comfyanonymous は、すでにLingBot-Videoのネイティブサポートのための WIPプルリクエスト を公開しており、直接的なComfyUI統合が間もなく実現することを示しています。
同時発表：LingBot-World 2.0
LingBot-Videoと同時に、Robbyantは LingBot-World 2.0 も発表しました。これは1時間にわたるリアルタイム生成が可能なワールドモデルであり、デジタル知能と物理世界の理解を橋渡しする重要な一歩を示しています。
入手方法
モデルはHugging Faceで入手可能です。
- MoE（30B-A3B）：robbyant/lingbot-video-moe-30b-a3b
- デンス（1.3B）：robbyant/lingbot-video-dense-1.3b
- リライターLoRA：robbyant/lingbot-video-rewriter-lora
ソースコードと推論スクリプト：github.com/Robbyant/lingbot-video
研究論文：arXiv:2607.07675