LingBot-World 2.0发布：主打一小时稳定交互

蚂蚁集团旗下具身智能公司推出了开源交互式世界模型 LingBot-World 2.0。与以往只注重开场几秒钟惊艳视觉效果的模型不同，该项目试图解决世界模型在长时间运行后因自回归机制导致误差累积、进而出现画面崩坏的痛点。据多位作者观察，该模型能在 720p、60fps 下持续交互长达 1 小时，将评价标准从“单帧漂亮”推向了更少漂移的长期稳定性。

关键细节与开源发布

帖子汇总的信息显示，当前发布的是 14B causal-fast 模型，论文还描述了一个 1.3B 轻量版本，目标是单卡部署。在演示结果中，一个被反复提到的压测指标是：单次连续 60 分钟 rollout，覆盖 20 个场景且没有明显衰减。除论文外，项目还放出了 weights、GitHub 仓库和在线试玩入口，被讨论者视为一次较完整的开源发布。

系统设计

LingBot-World 2.0 本身配有可交互驱动层（agentic harness）。具体结构包括：一个 VLM Brain 负责读取场景并提出与上下文相关的事件；一个 pilot agent 控制角色行为；一个 director agent 持续向环境中加入新元素。这种设计的重点不是单纯生成画面，而是让世界在交互过程中持续“运转”下去。

边界与讨论重点

帖子指出，论文明确承认该模型没有真正的长期记忆：超出上下文窗口的内容会被重新生成，而不是被“记住”。多位作者据此认为，这项工作最重要的意义在于通过训练减少了 long-horizon error accumulation 和 autoregressive drift。未来世界模型的关键指标可能就是“世界别崩”，而不只是前几分钟看起来多逼真。

2026-07-13 ~ 2026-07-15 · 13 条相关

一手来源