最适合机器人的视频基座模型，被中国团队开源了¶

Ch01.829 最适合机器人的视频基座模型，被中国团队开源了¶

📊 Level ⭐⭐ | 7.7KB | entities/最适合机器人的视频基座模型被中国团队开源了.md

最适合机器人的视频基座模型，被中国团队开源了¶

LingBot-Video 是由蚂蚁灵波团队开源的面向具身智能的视频生成基座模型。这是专为机器人场景设计的 DiT 视频预训练范式，与通用视频模型追求画质、时长和运镜不同，LingBot-Video 将核心关注点放在动作、任务、交互和物理环境变化上，面向世界预测、动作理解和机器人训练构建视频生成基座。

通用视频模型生成的画面虽然精美，但常常不符合物理规律——水如透明果冻般悬空、手机凭空消失等。对机器人来说，这类「穿帮」是致命的训练错误：机器会把这些生成失误误读成动作与结果之间的规律。LingBot-Video 正是为了解决这一问题而设计。

三重系统设计¶

从架构、数据到训练三个层面，LingBot-Video 做了系统性设计：

架构层面引入 MoE 视频框架，支持动态稀疏激活计算。核心采用级联式设计，由基础生成器（Single-Stream Diffusion Transformer，480p）和精修器（上采样至 1080p）两部分组成。MoE 路由机制让 token 选择部分专家参与计算，在扩大模型容量的同时控制推理成本。

数据层面构建了机器人增强的预训练语料库，将互联网规模视频与机器人操作、导航和第一人称视角数据集整合，向模型注入明确的具身先验和交互先验。

训练层面开发了多维度奖励系统，在审美目标之外纳入物理合理性和面向任务的成功信号，鼓励模型学习与具身环境一致的动态过程和交互规律。

深度分析¶

"生成好看"vs"生成有用"：视频生成模型的两条路线分叉¶

LingBot-Video 的出现标志着视频生成行业进入路线分叉期。通用视频模型（Sora、Veo、Kling等）追求的是"生成好看"——画质更清晰、时长更长、镜头更有美感；具身视频模型追求的是"生成有用"——物理规律正确、动作—结果因果关系清晰、交互逻辑可迁移。两条路线共享底层 DiT 架构，但在奖励函数设计、数据构成和评估指标上存在根本分歧。LingBot-Video 的选择意味着蚂蚁灵波认为机器人的训练数据困境，应该通过视频生成而非仿真器来缓解，这是一个重要的战略判断。

MoE 在视频生成中的价值：不止是效率提升¶

LingBot-Video 将稀疏 MoE 引入视频扩散模型，其意义超越单纯的推理效率提升。视频生成需要同时建模空间纹理、时间运动、流体变化、三维一致性、材质细节等多种复杂因素。Dense 模型所有 token 走同一组 FFN 参数路径，容易导致不同任务互相干扰。MoE 通过路由机制让不同 token 激活不同专家，相当于为视频的不同语义维度分配了专用计算资源。这种"参数专业化"对物理世界建模尤其关键——运动规律的建模可以与纹理细节的建模共享同一个模型却互不干扰。

Single-Stream vs Dual-Stream：架构选择背后的设计哲学¶

LingBot-Video 选择 Single-Stream（视觉 token 和条件 token 在同一序列中由同一组 Transformer 处理）而非 Dual-Stream 架构，这一选择具有深层含义。Single-Stream 的参数复用更充分，跨模态交互更直接，但代价是序列更长、计算复杂度更高。对具身智能场景而言，条件输入（动作指令、任务描述）与视觉输出之间的对齐关系比纯文本到视频生成更为紧密——因为机器人需要精确理解"执行A动作后环境如何变化"，而非仅仅是"生成一段符合文本描述的视频"。Single-Stream 的密集交互特性恰好满足这一需求。

从"数据不够"到"仿真不够"：机器人训练的第三种路径¶

机器人训练长期面临数据困境：真实动作数据采集成本极高，仿真数据面临 sim-to-real gap。LingBot-Video 代表的是一种介于两者之间的第三条路径——生成式数据增强。视频模型在大量具身数据中学习"动作之后会发生什么"，而不是像仿真器那样先编码物理规则再执行计算。这种数据驱动的世界模型路径，核心假设是：如果视频模型对物理规律的统计学习足够充分，其生成结果可以充当机器人策略训练的近似真实环境。这个假设的边界在哪里——复杂度灾难（长期演化的累积误差）如何控制——是值得持续跟踪的关键问题。

开源策略的市场信号¶

LingBot-Video 选择完整开源（权重、代码均发布在 GitHub 和 Hugging Face），这与许多中国 AI 实验室的"开源模型+闭源增强"策略一致。从社区反响（Reddit 高讨论度）来看，开源策略有效触达了具身智能研究者群体，快速建立了技术影响力。对蚂蚁灵波而言，开源既是技术分发手段，也是人才吸引和生态建设策略——在具身智能这个尚未定型的方向上，快速汇聚社区贡献比商业变现更为紧迫。

实践启示¶

1. 奖励函数设计决定模型能力偏向：LingBot-Video 的多维度奖励系统纳入物理合理性和任务成功信号，而非仅追求视觉审美。在为 AI 系统设计训练目标时，优先识别什么指标真正定义"成功"，再设计可量化的奖励函数。

2. MoE 架构适用于多任务多模态场景：当模型需要同时处理多种能力维度（如空间、时间、交互）时，MoE 的专家专业化比 Dense 模型的全参数竞争更高效。架构选型时，能力维度的正交性是决定是否选择 MoE 的关键指标。

3. 生成式数据增强是缓解数据稀缺的有效手段：在真实数据采集成本极高的场景（具身智能、医疗、工业），视频生成模型可以作为数据合成层。关键在于建立闭环验证——生成数据的质量是否足够支撑下游策略训练。

4. 具身先验嵌入比单纯扩大数据规模更重要：LingBot-Video 在数据层面专门整合机器人操作、导航和第一人称视角数据集，而不是简单增加互联网视频量。先验选择比数据规模对模型能力偏向的影响更大。

→ LingBot-Video：全球首个具身专属MoE视频模型

→ 原文存档

关联¶

• 相关概念: Harness Engineering