量子位
·
蚂蚁灵波开源LingBot-Video，全球首个面向具身的视频基模来了！
内容提要
蚂蚁灵波于7月9日开源了LingBot-Video，这是全球首个基于Mixture-of-Experts架构的具身智能视频生成模型。该模型在视频生成的推理效率和物理合理性上显著提升，超越了多款竞争模型，适用于机器人动作预测和仿真等领域。
关键要点
-
蚂蚁灵波于7月9日开源LingBot-Video，这是全球首个基于Mixture-of-Experts架构的具身智能视频生成模型。
-
LingBot-Video在推理效率、物理合理性、动作理解和任务完成度等方面取得系统性提升，适用于机器人动作预测和仿真等领域。
-
在RBench基准测试中，LingBot-Video的总分为0.620，超越了多个竞争模型，显示出更强的物理理解和动作一致性。
-
LingBot-Video采用DiT+MoE设计，显著提高了推理效率，生成时仅激活约3B参数，具有约3倍的推理效率。
-
模型构建了覆盖灵巧操作、机器人移动和第一视角交互等场景的7万小时具身数据，帮助学习动作与环境变化的关系。
-
LingBot-Video引入多维强化学习奖励系统，使生成结果更符合真实世界规律，满足机器人任务需求。
延伸解读
具身智能的未来
LingBot-Video的推出标志着视频生成技术向具身智能领域的转型。与传统视频生成模型不同，LingBot-Video强调物理合理性和任务执行的完整性，这对于机器人在真实环境中的应用至关重要。未来，具身智能可能会在更多行业中得到应用，推动机器人技术的进一步发展。
技术架构的创新
LingBot-Video采用DiT+MoE架构，显著提高了推理效率。这种设计不仅扩大了模型容量，还降低了单次推理的计算成本，使其更适合实时交互和控制闭环。这一创新可能会影响未来视频生成模型的设计方向，推动更高效的智能系统发展。
数据驱动的优势
LingBot-Video构建了覆盖多种场景的7万小时具身数据，这使得模型能够更好地理解动作与环境的关系。这种数据驱动的方法为机器人在复杂环境中的表现提供了支持，未来可能会成为其他具身智能模型的参考标准。
延伸问答
LingBot-Video是什么？
LingBot-Video是蚂蚁灵波开源的全球首个基于Mixture-of-Experts架构的具身智能视频生成模型。
LingBot-Video的主要优势是什么？
LingBot-Video在推理效率、物理合理性、动作理解和任务完成度等方面取得了系统性提升。
LingBot-Video如何提高推理效率？
LingBot-Video采用DiT+MoE设计，生成时仅激活约3B参数，具有约3倍的推理效率。
LingBot-Video的应用场景有哪些？
LingBot-Video可用于机器人动作预测、仿真数据生成、动作条件建模和世界模型研究等方向。
LingBot-Video在RBench基准测试中的表现如何？
LingBot-Video在RBench基准测试中总分为0.620，超越了多个竞争模型，显示出更强的物理理解和动作一致性。
LingBot-Video是如何训练的？
LingBot-Video引入多维强化学习奖励系统，围绕物理合理性和任务完成度进行对齐，使生成结果更符合真实世界规律。
