首个具身视频基模开源！LingBot-Video 如何为“机器人大脑”构建物理引擎？

视频模型赛道正分化成两条路：一条通向影院，一条通向机器人。 过去两年，热钱和掌声都涌向第一条路，大家比的是如何让观众觉得更真实：画质要清晰，要有美感，镜头语言要足够丰富。第二条路却完全不同，它比的是世界规律不能错：手指不能穿过物体，液体不能违背重力向上流，杯子被碰倒后不能凭空回到原位。同样的微小错误，在前一条可能只是一个穿帮镜头，但在后一条，就是致命错误，说明机器人从一开始就学错了物理世界的规则。 通向机器人的路显然更难走，却也成了头部团队为视频模型押注的下一个高价值方向。有观点甚至认为，视频模型的终局价值就在“世界模拟”。这也是为什么，蚂蚁灵波这次的产品发布周，能够再次引发行业广泛讨论。 7 月 6 日，蚂蚁灵波以一支短片的形式，宣布全栈 2.0。随后一周，密集发布多款模型，包括全新一代空间感知模型 LingBot-Depth 2.0、视觉基座模型 LingBot-Vision、新一代具身基座模型 LingBot-VLA 2.0。其中，7 月 9 日开源的视频生成基座模型 LingBot-Video，不卷画面像不像电影，只死磕一个问题：一次动作发生后，世界会怎样变化？ 模型学的，是建立动作、事件与环境变化之间的因果链，预判真实物理世界如何演化。简单来说就是，教会机器人理解做一件事会带来什么后果。比如，它知道拿起一个玻璃杯，用多大的力度才能抓牢，用多大的力度会捏碎；水龙头开了，它知道杯子放到水流下面就能接水，移开就接不到水。 这些对人类来说不过是肌肉记忆，但在机器人的世界里，都是需要一点点补全稳定操作的重要拼图。 评测结果显示，LingBot-Video 在生成机器人相关视频时，更能保持动作过程的合理性和任务执行的完整性。在北京大学联合字节跳动发布的基准 RBench 上，LingBot-Video 的总分是 0.620，超越了 Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）。RBench 作为面向机器人操作视频的综合评测基准，重点考察模型能否生成符合真实物理规律的机器人行为。 为了检验 LingBot-Video 作为物理世界模型的能力，蚂蚁灵波技术团队从两个维度进行评测：一般质量衡量基础生成能力，具身领域考察与具身 AI、真实世界交互相关的高难度场景。内部评估结果显示，图生视频（TI2V）设定下，LingBot-Video 在这两个维度上，超过包括英伟达 Cosmos 3、Wan 2.2 A14B 在内的五个主流开源视频模型，拿下 SOTA；文生视频（T2V）设定下，LingBot-Video 在一般质量中排名第二，但具身领域评分仍优于 Cosmos 等竞争模型。 这组结果说明，在机械臂操作、避障等需要精确物理轨迹的场景中，LingBot-Video 更擅长把动作、物体状态与环境变化连成一条因果链。哪怕没有初始画面，它也能显示出一定的世界状态推演能力。 这些恰恰是机器人能把日常小事稳定做对，最缺的一层能力。 项目链接： technology.robbyant.com/lingbot-video "GitHub： github.com/robbyant/lingbot-video "Checkpoints： huggingface.co/robbyant/lingbot-video "魔搭社区链接： https://www.modelscope.cn/collections/Robbyant/LingBot-Video " 从“炫技”到“有用”，机器人为什么需要具身视频基础模型？ 过去两年，机器人频频刷屏。 上春晚表演，跑马拉松，去山路探险，走进景区与游客互动。机器人在真实世界里一次又一次地惊艳亮相，但围绕它们的疑问始终没有消失：除了制造惊叹，机器人什么时候才能真正“有用”？ 让机器人进入家庭、门店、仓库和工厂的，不是再完成一个更高难度的舞蹈动作，是把人类习以为常的小事做对。比如，水流突然出现时，它知道什么时候拿杯子去接水；桌面杂乱时，它能判断什么该收拾，以及该放到哪里。 这些任务看起来平淡，却比跳舞更接近通用机器人真正的难题。因为机器人面对的，是一个持续变化、充满不确定性的真实环境。它需要先理解眼前发生了什么，接着还要预测自己做出一个动作后，可能会发生什么，最后执行正确的行动。 视频模型被具身智能视为关键突破口，是因为它能用连续画面建模世界状态变化，把“看到什么”“做了什么”“结果如何”连接成一条因果链。 从全球头部团队近两年的技术路线看，面向具身智能的视频模型，至少需要补齐三层能力：理解当前世界状态，预测动作可能带来的后果，并在此基础上为机器人的策略生成、行动评估与规划提供依据。最终形成从理解、预测到决策的完整闭环。 英伟达曾在 Cosmos 3 中提出，Physical AI 系统需要先理解当前世界发生什么，再预测接下来可能发生什么，最后针对具体环境、机体形态和任务生成动作。Cosmos 3 明确将物理推理、未来世界生成和动作生成统一为一套能力。谷歌 DeepMind 的技术路线，也从侧面印证了这一能力链：Genie 3 将世界模型定义为利用对世界的理解来模拟环境，使智能体能够预测环境如何演化、以及自身行动会造成什么影响。 在这条完整的链路中，任何一个环节的微小偏差，都可能被后续动作不断放大。更危险的是，这类偏差很可能在视觉上对人类造成欺骗：视频依旧流畅、连贯，看似合理，但其中的空间关系、接触过程和状态变化，早已偏离真实世界。 2026 年 CVPR Workshop 的 RoboWM-Bench，就曾揭示过“视觉合理≠物理正确”这一关键矛盾，并指出主流模型在复杂、长程交互中，容易暴露空间推理错误、接触关系预测不稳定、物体出现不符合物理规律的几何变形等问题。RBench 在 2026 年对 25 个代表性视频模型进行了具身场景评测后也发现，许多模型在视觉效果上已经颇具说服力，但在结构一致性、物理合理性和动作完整性上仍有明显缺陷。研究者据此提出，面向机器人的视频模型，不能只评估“生成得像不像”，还必须评估“任务是否成立、动作是否能执行”。 这也是为什么，通向影院的通用视频模型，很难直接成为机器人可信赖的世界模型。对机器人来说，真正需要的，不是视频看起来有多像电影，是能理解物理世界如何变化，动作符合物理法则。某种意义上，一段物理正确的 480p 预测，比一段杯子穿过桌面的 4K 大片，更有价值。 LingBot-Video 想解决的，正是这个问题。它将物理正确性置于美学优化之上，关注的是“动作如何改变世界”，让模型学习动作、事件和环境变化，预测真实物理世界如何演化，最终服务于机器人的世界预测、动作理解和自主训练。 从实际的视频生成效果来看，LingBot-Video 确实把一些容易被忽略的物理细节，处理得很好。 比如在这段视频中，勺子在杯中搅拌咖啡时，咖啡会沿着搅拌方向流动，形成自然的漩涡，奶泡也随之变化。 手掌张开后，沙子会自然地沿着指缝向下洒落，落下的沙子逐渐堆积成小丘，并且随着持续下落的沙土慢慢扩大。 把水倒进透明杯子中，也能清晰看到液面、气泡和折射光影的变化。 在一段机器人收纳口红的第一视角视频中，机械臂从