LingBot-World 2.0发布交互式视频世界模型
rohanpaul_ai · x · 2026-07-11
这条长帖介绍了新发布的 LingBot-World 2.0 / LingBot-World-Infinity，一个开放源代码的交互式视频世界模型。
主要能力
- 仅需 1 张起始帧，再结合用户的实时摄像头移动或文本指令，就能持续生成场景。
- 作者称其在一次 60 分钟 rollout 中跨越 20 个场景，且从头到尾没有明显质量衰减。
- 支持 720p、60fps 实时输出，并提供在线 demo、多人控制、开放权重。
- 还给出 14B 主模型 和可在单张消费级 GPU 上运行的 1.3B 版本。
方法与训练
- 先用较慢的 causal diffusion model 学习高质量世界预测。
- 再通过 consistency distillation 压缩成少步学生模型。
- 之后用 Distribution Matching Distillation 让学生在自己的长滚动轨迹上继续学习，以适应真实使用时会遇到的“非完美状态”。
系统设计
- 文中把 VLM 视为“Brain”，视频生成器视为“Cerebellum”。
- 还引入 pilot 和 director 两个 agent，一个负责角色行为，一个负责持续补充事件，避免场景跑空。
局限
- 仍然缺乏真正的长期记忆；
- 有时会“重建一个相似地点”，而不是精确回到先前的同一地点。
所属事件:蚂蚁开源LingBot-World 2.0交互式世界模型(15 条相关)→
「多模态」频道最新
- 29 美分用 Dreamina Seedance 伪造大坝灾难「幕后花絮」 — Standard_Spell5873 · 2026-10-27
- Reddit 求助：Qwen Image 2.1 换装总毁身材比例，Flux 3 Klein 略好 — Existing-Box-7866 · 2026-10-27
- ComfyUI 打造跨场景一致角色：RealVisXL V5 加 img2img 面部参考 — MiaLarsonJL · 2026-10-27
- 29 美分生成迈克尔·贝式屋顶大片，Seedance 实测效果惊人 — PersonalSpace_4225 · 2026-10-27
- 3 步 Turbo LoRA 实测:Moss 图像模型极速出图效果展示 — JadedScorpion · 2026-10-27
- Magnific 预告 10 月 28 日上线新功能：「We're making it move」 — cuenca · 2026-10-27