凤凰网科技讯（作者/董雨晴） 1月29日，继连续发布空间感知与VLA基座模型后，蚂蚁灵波科技开源发布世界模型LingBot-World。据披露，该模型在视频质量、动态程度、长时一致性、交互能力等关键指标上追平Google Genie 3，目标是为具身智能、自动驾驶及游戏开发提供高保真、高动态、可实时操控的“数字演练场”。

针对视频生成中最常见的“长时漂移”问题（生成时间一长就可能出现物体变形、细节塌陷、主体消失或场景结构崩坏等现象），LingBot-World通过多阶段训练以及并行化加速，实现了近10分钟的连续稳定无损生成，为长序列、多步骤的复杂任务训练提供支撑。

交互性能上，LingBot-World可实现约16 FPS的生成吞吐，并将端到端交互延迟控制在1秒以内。用户可通过键盘或鼠标实时控制角色与相机视角，画面随指令即时反馈。此外，用户可通过文本触发环境变化与世界事件，例如调整天气、改变画面风格或生成特定事件，并在保持场景几何关系相对一致的前提下完成变化。

模型具备Zero-shot泛化能力，输入一张真实照片（如城市街景）或游戏截图，可生成可交互的视频流，无需针对单一场景进行额外训练或数据采集，从而降低在不同场景中的部署与使用成本。

为解决世界模型训练中高质量交互数据匮乏的问题，LingBot-World采用了混合采集策略：一方面通过清洗大规模的网络视频以覆盖多样化的场景，另一方面结合游戏采集与虚幻引擎（UE）合成管线，从渲染层直接提取无UI干扰的纯净画面，并同步记录操作指令与相机位姿，为模型学习“动作如何改变环境”提供精确对齐的训练信号。

目前，LingBot-World模型权重及推理代码已面向社区开放。