蚂蚁灵波开源 LingBot-World 2.0：把 Agent 塞进世界模型

蚂蚁灵波今天把 LingBot-World 更新到了 2.0，并且照例开源。这次动作不小：分辨率拉到 720p/60fps，生成时长从「10 分钟」跃升到「小时级」，最关键的是——Agent 机制第一次被塞进了实时交互世界模型里。

如果说半年前那版 LingBot-World 还在跟 Genie 3 拼「谁能生成更长、更稳的世界」，那 2.0 显然换赛道了。它想解决的问题不再是「AI 能不能造出一个可以逛的世界」，而是「这个世界里能不能自己长出会做事的角色」。

从「可漫游」到「有居民」

先回顾一下时间线，才能看清 2.0 的含金量。

蚂蚁灵波这一年的节奏其实很清晰：

• 2026 年 1 月：LingBot-World Base 首发，主打 720p、单次 10 分钟连贯生成，靠可扩展数据引擎从游戏环境里学物理规律，一度是开源世界模型里生成时长的纪录保持者。
• 1 月底：紧接着「三连发」——LingBot-Depth（空间感知）、LingBot-VLA（视觉-语言-动作）、LingBot-VA（自回归视频-动作），把世界模型和具身操控咬合起来。
• 4 月：LingBot-World-Fast 开源，480P/16fps、端到端交互延迟压到 1 秒以内，同时上线了灵光 App 的「体验世界模型」功能，把这套东西第一次塞进了手机端。
• 7 月 9 日：LingBot-World 2.0 登场。

2.0 的定位很明确：它不再是一个单纯的「生成器」，而是一个可以承载智能体活动的「实时舞台」。官方给的表述是「业界首次将 Agent 机制引入世界模型」——这句话听起来像市场口径，但拆开看确实值得说。

此前所有主流世界模型，无论是 DeepMind 的 Genie 3、NVIDIA Cosmos，还是李飞飞的 Marble，本质上还是「人操控 → 世界响应」的单向回路：你按键、你输 prompt，世界给你渲染出下一帧。Agent 要接进去，得靠外挂——把世界模型当环境，把 Agent 当客户端。

LingBot-World 2.0 做的事情，是把「智能体的存在」变成世界模型的一等公民。用蚂蚁灵波之前在 VLA 那条线上验证过的说法：Agent 的动作会实时重塑环境状态，环境的演变又反过来决定 Agent 的下一步决策。这个闭环如果真的能跑起来，意义就不止是好玩了——它等于给具身智能提供了一个「无限量、可回放、可干预」的训练场。

720p/60fps 和小时级生成，怎么做到的

先看硬指标。

从 4 月的 Fast 版到 7 月的 2.0，分辨率从 480P 拉到 720p，帧率从 16fps 拉到 60fps，生成时长从分钟级跳到小时级。这三件事同时做到，如果按传统扩散视频模型的算力曲线，基本是不可能的——每一项翻倍都意味着几倍的显存和计算开销。

背后大概率延续并强化了 Fast 版本里那套思路：生成时只聚焦新增画面内容，稳定的部分不重复计算。这有点像视频编码里的关键帧+P 帧机制，只不过做在了神经网络的推理路径上。配合灵波在 LingBot-VA 上用过的异步推理管线、记忆缓存持久化，把「保持一致性」和「实时响应」这对老冤家勉强按住了。

60fps 是个门槛。低于这个数字，用户会明显感到「AI 生成的世界」；到了 60fps，视觉上就跟游戏引擎渲染没有太大区别。这对下游应用的想象空间是根本性的改变——你没法拿 16fps 的画面做游戏原型，但 60fps 可以。

小时级生成同样是分水岭。作为参照，Veo 3 单次上限 8 秒，Sora 2 是 25 秒，Runway Gen-3 Alpha 40 秒，Kling 最长 2 分钟。上一代 LingBot-World 已经拉到 10 分钟，现在直接跳到「小时级」。当生成时长超过一小时，「视频生成」和「世界模拟」的边界就模糊了——你没法把它当视频来看，只能当作一个持续运转的虚拟环境。

Agent 机制到底怎么进去的

这是 2.0 最值得琢磨的部分。官方公告里只提了「业界首次将 Agent 机制引入世界模型」，没有铺开讲技术细节，但可以从灵波这一年的技术栈里推断路径。

年初的 LingBot-VA 已经给了半个答案：自回归视频-动作世界建模框架——模型在生成「下一步世界状态」的同时，直接推演并输出对应的动作序列。当时这套框架是给单个机器人用的，本质是「一个 Agent 在世界里边推演边行动」。

2.0 要做的，应该是把这套「Agent-World 共演化」的机制从单智能体扩展到多智能体、从离线仿真扩展到实时交互。也就是说，世界里可以同时存在：

• 由用户实时操控的第一人称视角（延续 Fast 版的键鼠交互）
• 由文本 prompt 触发的环境事件（天气、风格、局部剧情）
• 由模型内部驱动的 NPC/智能体（新引入的 Agent 机制）

这三层输入被一起塞给世界模型，让它以 60fps 输出一致的画面。挑战不在生成，而在「不同来源的意图如何被同时满足并保持物理合理性」。举个例子：你在场景里推倒一个箱子，一个 AI 驱动的角色恰好在追另一个目标，它得能判断出箱子是新障碍并绕开——这才是「Agent 进入世界模型」的完整形态。

如果这条路走通了，世界模型就从「AI 生成的电影」变成了「AI 生成的开放世界游戏」，而且是完全没有预设剧本的那种。

谁会真的用上

蚂蚁灵波给出的应用场景很长一串：游戏内容生成、影视预演、虚拟仿真、数字孪生、机器人与具身智能训练。听起来像 PR 稿，但每一条其实都有具体的落点。

具身智能训练是最刚需的。做机器人的都知道，真机数据太贵、仿真环境太假，中间需要一个「足够真、又足够便宜」的环境。LingBot-World 2.0 加上 LingBot-VLA/VA，恰好构成了一个可以让机器人在虚拟世界里「先想后做」的闭环——VLA 输出候选动作，World 模型演算物理后果，选出安全的那条去真机执行。这套 pipeline 灵波自己已经在跑，开源意味着国内其他机器人厂商也能拼上。

游戏原型是最有想象力的。传统游戏开发要建模、要写脚本、要调物理，一个 demo 起码几周。世界模型如果能实时生成可玩场景，独立开发者一个人就能试各种玩法。60fps/720p 已经过了「能玩」的门槛。

数字孪生和影视预演属于确定性市场，需求一直存在，之前的瓶颈是成本和可交互性。

线下体验是灵波之前在采访里反复强调的方向——文旅、展陈、教育、陪伴场景。想象一个博物馆展厅，你推门进去，AI 根据你的动作、语言实时生成对应的历史场景；你走了，场景保留；朋友来了，场景延续。这套东西如果打包成引擎，会有一批 to B 的生意可以做。

世界模型这条赛道，越来越挤了

2026 年上半年，世界模型突然从「学术前沿」变成了「产品军备赛」。

DeepMind 的 Hassabis 在年初就放话，2026 年要把世界模型推向能用于「规划」的阶段，融入 Gemini。李飞飞的 World Labs 憋了大半年才亮出 Marble，主打空间关系。英伟达把世界模型细分成预测、风格迁移、推理三条产品线。国内这边，蚂蚁灵波节奏最猛，一年之内开源了 Depth、VLA、VA、World、World-Fast、World 2.0 六个模型，其中至少四个跟世界模型直接相关。

开源这件事上，灵波是走得最激进的一个。Genie 3 不开源、Cosmos 部分开源、Marble 尚未明确路线，只有 LingBot 系列从一开始就把权重和代码全放出来，而且不绑硬件。这种打法很蚂蚁——用开源快速把生态占住，让 InclusionAI 社区成为国内具身智能的一个默认选项。

值得留意的一点是：LingBot-World 2.0 的定位已经不只是「给蚂蚁自己的机器人业务用」，它在往通用基础设施的方向走。Agent 机制的引入尤其明显——机器人不需要 NPC，游戏和交互场景才需要。灵波显然想同时吃下具身智能和内容生成两块。

一点判断

LingBot-World 2.0 是个不容易评价的模型。它的技术亮点非常突出（Agent 机制、小时级、60fps），但也留了大量没讲清楚的细节——比如 Agent 到底能维持多复杂的行为逻辑、多智能体交互的一致性能撑多久、推理成本是多少。这些要等模型权重放到 Hugging Face、开发者实测之后才能有定论。

但即便打个折扣，它也已经把开源世界模型的水位又抬了一档。国内做具身智能、做 AI 游戏、做仿真环境的团队，接下来大概率绕不开这个模型。

世界模型这个赛道，还没到出真正杀手级应用的时候，但基础设施的军备已经打响了。

参考来源

• 世界模型 LingBot-World 正式开源！ - 知乎：LingBot-World 初代技术架构与数据引擎介绍