LingBot-World：開源即時互動世界模型，16 FPS 跑通長記憶

LingBot-World 是一個開源的即時互動世界模型，能把一張靜態圖片或一段文本提示詞，直接變成可以用鍵盤或控制器自由探索的動態場景。

這個專案由 robbyant 團隊打造，核心程式碼基於開源影片模型 Wan2.2 開發。它的目標很明確：打破閉源世界模擬器的壁壘，給遊戲開發、互動生成和機器人學習提供一套可以直接下載部署的開源底座。

它能做什麼

LingBot-World 最大的特點是兼顧了低延遲與長時間的一致性。

在生成效能上，它能以 16 FPS 的速度即時渲染畫面，端到端延遲控制在 1 秒以內，支援 480P 和 720P 兩種輸出解析度。使用者輸入一張起始圖之後，不僅能用鍵盤控制鏡頭在場景裡前後左右穿行，還能輸入新的提示詞即時改變環境，比如換天氣、換背景、新增新角色或特效。

風格覆蓋面也很寬，從寫實風景、科學模擬到二次元卡通都可以生成，甚至能模擬騎龍飛行或海底漫遊。

更有意思的是它的長期記憶能力。傳統的互動式生成模型很容易走幾步就「忘了」身後的場景，而 LingBot-World 維持了分鐘級的上下文一致性。你在場景裡轉一圈再走回原點，周圍的建築和物品依然保持原樣，不會憑空變形或消失。

怎麼跑起來與硬體門檻

在控制方式上，專案提供了不同分支。除了支援基礎的鍵盤漫遊，它還發布了基於相機位姿（Camera Poses）控制的 Base Cam 版本，以及直接基於動作指令驅動的 Base Act 版本。

程式碼和模型權重已經全部公開。使用者可以在 GitHub 檢出程式碼，並通過 Hugging Face 或 ModelScope 下載權重檔案。官方還陸續推出了針對速度最佳化的 Fast 推理指令碼與模型。

不過，要在本地完整跑起來，硬體門檻相當高。專案依賴 PyTorch 2.4 以上版本以及 flash-attn，官方給出的參考推理指令碼預設使用了 8 卡並行，配合 DiT 和 T5 的 FSDP 以及 Ulysses 分散式推理。普通單張消費級顯示卡很難直接執行全尺寸模型。

如果你只是想體驗它的互動效果，不需要自己配環境。團隊與 Reactor 合作推出了網頁端線上 Demo，進入瀏覽器就能直接上手試玩。

為什麼重要

此前能做到即時鍵盤操控的世界模型大都處於閉源測試狀態，比如 Google 的 Project Genie。LingBot-World 把模型架構、相機控制格式和權重完整端了出來，讓開發者和研究者第一次擁有了可二次開發的即時互動世界底座。

雖然 8 卡叢集的本地執行門檻把很多普通玩家攔在了門外，但對於機器人動作模擬和遊戲原型設計團隊來說，它提供了一個極其難得的低成本模擬沙盒。隨著社群後續針對單卡量化和輕量推理的最佳化，這類可互動世界模型有望很快走向桌面級應用。