LingBot-Video：首个面向具身智能的开源MoE视频基础模型
蚂蚁集团旗下 Robbyant（蚂蚁灵波）开源 LingBot-Video，一个 30B-A3B MoE 视频生成模型，在 RBench 上达到 SOTA，采用 Apache 2.0 许可证。
蚂蚁集团旗下具身智能子公司 Robbyant（蚂蚁灵波）已开源 LingBot-Video，这是首个专门为具身智能设计的大规模混合专家（MoE）视频基础模型。本次发布包括一个 30B-A3B MoE 模型和一个 1.3B 密集模型，以及代码和一个提示词重写器，全部采用 Apache 2.0 许可证。
架构与设计
LingBot-Video 采用基于 DiT 的架构，使用稀疏 MoE，每 token 仅激活 3B 参数，同时保持 30B 的总容量。该设计相比类似能力的密集模型实现了 约 3 倍更快的推理。该模型支持三种生成模式：
- 文生图（T2I）
- 文生视频（T2V）
- 图文生视频（TI2V）
包含一个独立的精炼模型用于质量增强，以及一个基于 Qwen3.6-27B 的提示词重写器，可将纯文本提示转换为结构化 JSON 描述。
训练数据与奖励系统
该模型在融合了 70,000 小时以上具身数据的大规模网络视频数据上训练，涵盖物理运动、人类动作、机器人任务和开放式创作。一个多奖励系统针对三个维度进行优化：
- 高美学 — 视觉质量
- 物理合理性 — 遵循真实世界物理规律
- 任务完成度 — 对具身 AI 任务的实用性
基准测试表现
在 RBench 排行榜上，LingBot-Video 在所有开源模型中排名第一，超越了 Cosmos3 Super、LongCat-Video、万相 2.2 A14B 和混元视频 1.5。其平均得分为 0.620，在操作任务（0.578）、长时序任务（0.634）和四足场景（0.758）中表现尤为出色。
该模型在多个类别中还超越了一些闭源系统，包括万相 2.6、Seedance 1.5 Pro 和 Veo 3。
ComfyUI 集成
ComfyUI 创建者 comfyanonymous 已经开启了一个WIP 拉取请求用于原生支持 LingBot-Video，表明直接集成 ComfyUI 即将到来。
配套发布：LingBot-World 2.0
与 LingBot-Video 一同，Robbyant 还发布了 LingBot-World 2.0，一个能够实时生成长达一小时的世界模型。这标志着在弥合数字智能与物理世界理解之间迈出了重要一步。
可用性
这些模型可在 Hugging Face 上获取：
- MoE（30B-A3B）：robbyant/lingbot-video-moe-30b-a3b
- Dense（1.3B）：robbyant/lingbot-video-dense-1.3b
- 重写器 LoRA：robbyant/lingbot-video-rewriter-lora
源代码和推理脚本：github.com/Robbyant/lingbot-video
研究论文：arXiv:2607.07675