螞蟻旗下 Robbyant 開源 LingBot-World 2.0：即時生成可互動世界

Robbyant 開源的 LingBot-World 2.0（也稱 LingBot-World-Infinity）是一個可互動世界模型，能把影片生成模型變成即時可操作的虛擬空間。你通過鍵盤輸入動作或輸入文字指令，它就能即時演算並輸出連續的影片畫面。

它能做什麼

以往的世界模型通常只能做到簡單的推鏡頭或前後走動，跑上幾十秒到幾分鐘畫面就會開始扭曲、模糊甚至徹底崩塌。LingBot-World 2.0 的核心突破是長時互動不衰減，官方測試顯示它可以連續執行一個多小時，畫質沒有出現明顯退化。

在操作自由度上，它支援更豐富的動作指令，包括攻擊、射箭、施法和射擊等，甚至可以操控非人形物體，比如在房間裡控制一把椅子移動。除了角色操作，你還可以隨時輸入提示詞改變天氣或增加事件，比如要求場景下雪、下雨或生成特定建築。

另一個亮點是雙 Agent 協同架構。模型內部由規劃角色行為的領航員（Pilot Agent）與動態生成環境元素的導演（Director Agent）分工配合。前者負責角色的具體操作，後者隨著探索推進持續引入新的環境互動，讓整個虛擬空間具備自主演進的能力。

怎麼跑起來與技術規格

該專案基於 Wan2.2 構建，採用因果預訓練與 KV 快取機制，通過切塊（chunk-by-chunk）方式進行因果流式推理。蒸餾後的即時版本能夠支援 720p 解析度、60 幀每秒的連續影片流。

官方提供了 14B 和 1.3B 兩種引數規模的權重。14B 版本畫面細節更完整，1.3B 版本則注重更快的推理速度。權重已上傳至 Hugging Face 和 ModelScope，完整模型檔案總計約 86GB。

本地執行的門檻相對較高。官方提供的 480p 推理指令碼中，14B causal-fast 模型需要 8 張 GPU 並行，1.3B causal-fast 模型則需要 4 張 GPU。程式碼基於 CC BY-NC-SA 4.0 許可證開源，僅供非商業用途使用。專案方明確表示不開源內部部署程式碼，建議開發者參考 SGLang 或 flashdreams 進行自行部署。如果不想本地折騰硬體，可以在 Reactor 和靈光平臺上體驗即時版本。

為什麼重要

對於具身智慧研究者和遊戲探索團隊來說，LingBot-World 2.0 補上了可互動世界模型裡最缺的一塊拼圖。此前無論是 Google 的 Genie 3 還是其他前沿方案，大多處於閉源狀態，且時長基本停留在分鐘級。螞蟻團隊把小時級穩定渲染、即時推理與權重直接公開，給整個社群提供了一個高起點的實驗底座。

我們認為，它的意義不僅在於畫質和幀率，更在於證明了生成式影片可以脫離預先程式設計的 3D 引擎，直接依靠神經網路完成長時間可玩互動。儘管多卡執行的高門檻和非商用授權限制了它在消費級遊戲中的落地，但它非常適合用作具身智慧的模擬訓練場，也給下一代程式化內容生成展示了可行的架構路徑。