蚂蚁灵波于7月9日发布了LingBot-Video，这是业界首个以 Mixture-of-Experts（MoE）架构为基础、专为具身智能设计的开源视频生成模型。
LingBot-Video 在机器人操作视频的综合评测基准 RBench 上取得了0.620的优异成绩，超越了Wan2.6（0.607）、Seedance1.5Pro(0.584)和Cosmos3Super(0.581)等模型。该基准着重考察模型生成符合真实物理规律的机器人行为能力，LingBot-Video在此表现出的优势意味着其生成的机器人动作过程更为合理且任务执行更为完整。
该模型在架构、数据和训练方面均进行了系统性创新。其采用DiT+MoE设计，在大幅扩展模型容量的同时，通过激活少量参数来控制单次推理成本，使得30B参数的模型在生成时仅激活约3B参数，相比同等参数规模的Dense架构，推理效率提升约3倍，这对于满足具身智能对高效推理的需求至关重要。数据方面，LingBot-Video构建了专门的数据画像引擎，引入了大量VLA、VLN、Ego等机器人相关数据，覆盖了灵巧操作、机器人移动和第一视角交互等丰富场景，总计7万小时的具身数据，帮助模型学习动作与环境变化的关联，而非仅停留在视觉表层。
LingBot-Video的训练引入了多维强化学习奖励系统，不仅关注美学、prompt跟随和运动一致性等常规指标，更侧重于对物理合理性和任务完成度的优化，从而生成更符合真实世界规律且贴近机器人实际任务需求的内容。该模型未来可应用于机器人动作预测、仿真数据生成、动作条件建模以及世界模型研究等多个前沿领域。LingBot-Video的开源为视频基础模型从内容创作迈向具身智能提供了新的基础平台。
LingBot-Video 的出现标志着视频生成模型正从单纯追求视觉效果转向更深层次的物理世界理解与交互能力。对于机器人领域而言，模型能否生成既逼真又符合物理规律的视频，直接关系到其在预测、规划和执行任务中的效率和准确性。LingBot-Video 凭借其在架构、数据和训练上的创新，有效解决了这一关键痛点。