World's First Embodied-Specific MoE Video Model Open-Sourced

Full text · 原文 4,616 字

金磊发自凹非寺 量子位 | 公众号 QbitAI 终于，专属具身智能的视频模型来了！ 话不多说，直接来看生成的效果： 视频地址： https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q 这就是蚂蚁灵波刚刚正式开源的LingBot-Video—— 全球首个面向具身智能的大规模MoE视频基础模型、视频物理引擎。 或许有小伙伴要问了，像刚才视频里的机器人切西红柿、吸床单和收纳口红，目前很多视频生成的AI不也能搞出来吗？ 确实。 但既然说了LingBot-Video是具身版的专属视频模型，那说明它从架构、数据到训练目标全链路都是为机器人、人形智能体量身打造的。 而且其它视频生成AI的关注点，更多的是时长、美学、画质、运镜等等。 但到了LingBot-Video这里，重中之重，变成了是否符合物理规律。 除此之外，LingBot-Video的亮点还包括： 架构上采用MoE，让模型容量和推理成本更好平衡； 30B参数，推理时仅激活3B； 数据上引入超70000小时具身相关视频，让模型学习机器人操作、导航、第一视角等场景； 训练上加入多维奖励系统，把物理合理性、任务完成度纳入优化目标。 已在RBench上超越业内通用视频生成标杆模型。 LingBot-Video一经开源，同样也是引发了网友们不小的热议，他们直呼： 它的功能远不止于生成视频，如此大规模的训练，让模型对现实世界中的互动有了更深刻的理解。 为什么机器人需要自己的视频模型？ 对于这个问题，答案其实蛮现实且刚需的。 通用视频模型的训练目标，主要围绕视觉质量、语义对齐、运动连贯展开。人看视频时，也更容易被画质、光影、构图、风格打动。 但机器人看世界的方式却截然不同。 它不只是看见一个杯子，还要判断自己伸手过去以后，杯子会怎么动；看见一条路，还要判断从这里走过去，会不会撞到障碍…… 所以，我们可以认为内容视频和具身视频其实是两套评价体系。 △图片由AI生成 通用模型里偶尔出现的穿模、物体凭空消失、动作违背惯性，对短视频创作来说可能只是瑕疵。观众看一眼，最多吐槽一句“AI味有点重”。 但如果把这些错误视频拿去训练机器人，那问题可就大了。 因为这就相当于在教机器人一套错误的世界规律，它们会误认为手可以穿过物体、杯子可以无缘无故复原、液体可以悬在空中…… 所以LingBot-Video生成的视频，就是要让机器人的大脑学会真真实实的物理规律。 例如下面这三组生成的工业场景的视频： 视频地址： https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q 视频中，机械臂在产线上对零件进行抓取、放置、定位，有的还涉及焊接、加工这样的动作。但重点在于末端执行器、工件、工作台之间的相对关系能不能在连续帧里保持稳定。 这对应的正是机器人真正需要学习的能力，包括看懂物体，靠近物体，作用于物体，然后预测物体状态的变化。 再如更复杂的动态场景： 视频地址： https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q 一个是第一视角滑雪镜头，从雪坡向前冲下，雪雾、坡面、身体姿态都在快速变化；另一个画面里，人形机器人则在雪道上和滑雪者并行绕旗门前进。 这类场景考验的，便是机器人对于空间的理解、运动的预测和动态环境的建模等能力。 还有机器人打排球、踢足球： 视频地址： https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q 排球场上，机器人起跳、挥臂、击球，球沿着空中轨迹飞出；足球场上，机器人完成摆腿、触球、射门，球和身体动作之间有明确对应关系。 这就有点接近我们人类期待的具身智能所拥有的灵活的运动能力。 （LingBot-Video完整能力视频如下） 视频地址： https://mp.weixin.qq.com/s/shwkij9ul5GpCBfNYMxU7Q 在看完效果之后，那么接下来的问题就是： LingBot-Video是怎么做到的？ 30B的大脑，仅3B出手 要让视频模型更懂机器人，第一步是架构。 从此次团队发布的技术报告来看，较为吸睛一点便是引入了MoE架构。 为啥要这么做？打个比方。 传统Dense模型更像一个大办公室，每来一个任务，所有人都要一起上场。好处是稳，坏处是贵。模型越大，每次调用成本越高。 而MoE则像一个大型专家库，任务来了，不用所有专家都出手，只叫最相关的一组专家来处理。 LingBot-Video的体量共计30B参数，但正因引入了MoE，单次生成大约激活3B参数参与计算。 由此，不仅计算成本变得更低，扩展方式也从直接堆参数变成了按需激活。 毕竟机器人训练、策略评估、动作规划，天然需要大量模拟和试错，若每次生成视频都要激活全部参数，那成本自然贵得离谱，那这个视频物理引擎也就很难真正被用起来。 更具体来说，视频要模拟连续物理世界，需要处理复杂运动轨迹、三维空间一致性、材质纹理等复杂分布；稀疏MoE可以在固定计算预算下扩大参数容量，把总参数规模和每个Token实际激活的计算量解耦。 从实验结果来看，MoE30B-A3B在1M Token长度下，对比Dense6B、Dense 14B、Dense 30B的速度比分别达到1.50×、2.59×和3.18×；同时，稀疏框架还能保持接近3B规模模型的推理效率。 除了架构之外，LingBot-Video另一大技术亮点，便在于它的数据。 大语言模型为什么能起来？一个很重要的原因是，互联网天然积累了海量文本。 但机器人并没有属于自己的互联网，网上不存在几十亿小时的机器人动作数据。 真实机器人数据要靠遥操作、真实设备、真实场地一点点采集，不仅成本高、速度还慢；当然，仿真数据也是一条路，不过仿真器里学会的东西，到了真实世界常常会遇到sim-to-real gap。 而LingBot-Video选择的是第三条路，即把通用互联网视频和具身数据结合起来。 从发布的技术报告来看，模型引入了超过70000小时的embodiment-oriented footage，覆盖机器人操作VLA、导航、第一视角视频，还包括真实机器人、仿真、开源、第三人称视角，以及人形机器人、四足机器人等平台。 这些数据不是简单拼接进去的，而是在训练流程的专门阶段里，针对稀缺但高价值的具身数据做了刻意的“少筛选、多保留”，防止被海量的普通互联网视频稀释掉。 所有素材都会经过五维结构化标注，精准标记物体、材质、动作时间戳、受力交互关系；同时采用课程式五阶段渐进训练，从低清静态图像打底，逐步过渡到高清长时序视频，循序渐进让模型掌握复杂物理交互逻辑。 针对机械操作、精密抓取这类长尾场景，团队还通过分布感知采样做加权强化，补齐小众工业、家用机器人场景生成能力。 最后，还要一个强化学习环节。 传统视频模型仅用画面美观度、文本匹配度做优化目标，不太不约束物理逻辑。而LingBot-Video搭建一套分层强化学习奖励体系，从感知、物理、执行三个维度同步约束生成结果： 感知维度：保障画面清晰度、文字描述匹配度、动态流畅度； 物理维度：模型核心优化指标，校验物体不穿透、无凭空消失、运动符合重力惯性、材质受力形变合理； 执行维度：校验机器人肢体结构完整、动作流程可落地、任务目标完整完成。 训练采用GRPO组相对策略优化方案，搭配负感知微调规避奖励黑客问题。同时原生支持Action-to-Video动作条件生成，输入机器人动作指令，就能直接输出后续完整视觉变化，可直接对接机器人运动规划模块。 另外模型还配套级联精炼方案，先生成480p基础时序画面保证运动逻辑，再精炼至1080p高清画质，如此一来，便可平衡推理速度与画面细节。 在评测过程中，LingBot-Video被拿来和NVIDIACosmos3、LongCat-Video、LTX-2.3等开源模型比较。 结果显示，在TI2V任务上，LingBot-Video在开源竞品中达到SOTA水平，并在general quality和embodied domain两项得分中位居第一；在T2V任务上，虽然general quality排名第二，但embodied domain得分仍超过Cosmos等竞争基线。 除此之外，LingBot-Video已在RBench上超越业内通用视频生成标杆模型。 视频模型的终点，是机器人大脑的起点 在看完效果和评测结果之后，其实我们可以清晰看到一个新的信号： LingBot-Video开源这件事，更像是在视频生成赛道里，把另一条路线摆到了台面上。 因为若是我们把视频模型看作世界模型，它的价值就会变成给机器人提供一个低成本、可反复试错的物理世界模拟器。 再细分其价值，我们大致可以划分为三层。 第一层，是Data Engine。 机器人真实数据太贵，采集太慢。如果视频物理引擎能生成足够可信的动作过程和场景变化，就有机会为机器人训练提供更多低成本数据。 第二层，是Policy Evaluator。 真实世界试错很危险，尤其是工业机械臂、人形机器人、四足机器人这些系统。视频模型可以在虚拟视觉环境里先跑一遍策略，提前观察可能结果，降低真实测试风险。 第三层，是Action Planner。 机器人面对真实场景时，可以借助模型预测“执行这个动作后会发生什么”，再辅助决策规划与异常预判。技术报告也明确把LingBot-Video定位为面向机器人社区的Data Engine、Policy Evaluator和Action Planner。 由此，LingBot-Video和其它普通视频生成模型的区别便一目了然了。 这也是为什么视频模型正在从内容创作赛道，外溢到世界模型和具身智能赛道。 李飞飞创办的World Labs押注空间智能，试图让AI理解、生成并交互3D世界；LeCun团队的V-JEPA 2则直接从视频自监督学习切入，探索让模型理解、预测并规划物理世界……已然是具身智能下一阶段的兵家必争。 不过在具身智能专属视频生成模型这件事上，长时序一致性、柔性物体和液体等复杂物理交互、视频预测能力向真实机器人闭环的转化，以及具身视频模型评测标准建设，都还在演进中。 但LingBot-Video至少证明了一件事，那就是视频模型正在从内容生产工具，往物理世界模拟器推进。 也许再往后看，视频生成的尽头，还真不一定是电影。 它也可能是下一代机器人大脑的起点。 GitHub:https://github.com/robbyant/lingbot-video Tech Report:https://arxiv.org/pdf/2607.07675 Project Page:https://technology.robbyant.com/lingbot-video HuggingFace：https://huggingface.co/collections/robbyant/lingbot-video Model Scope：https://www.modelscope.cn/collections/Robbyant/LingBot-Video

Site key	qbitai
Policy area	具身智能
Category	report
AI score	0.27

World's First Embodied-Specific MoE Video Model Open-Sourced

刚刚，全球首个具身专属的MoE视频模型，开源了！