世界模型 LingBot-World，正式开源！

具身智能的规模化落地，面临一个核心挑战 —— 复杂长程任务的真机训练数据极度稀缺，在真实世界中获取用于训练的数据，尤其是涉及复杂、长程任务的数据，成本极高且充满不确定性。

世界模型（World Model）为这一困境提供了解决方案。它能够在数字世界中构建一个与物理世界规律一致的仿真环境，让智能体在其中进行低成本、高效率的“演练”与“试错”。通过在仿真环境中学习，智能体能够理解行为与结果之间的因果关系，从而将在虚拟世界习得的经验，迁移并应用于真实世界的任务中。

LingBot-World 的设计初衷，正是为了打造这样一个足够真实、可交互、可泛化的“数字演练场”。为此，团队围绕几个核心技术方向进行了深入探索。

视频生成领域普遍存在“长时漂移”问题，即生成时间一长，便可能出现物体变形、细节塌陷、主体消失或场景结构崩坏等现象。针对这一难题，LingBot-World 通过多阶段训练及并行化加速策略，实现了近 10 分钟的连续稳定无损生成，为长序列、多步骤的复杂任务训练提供了可靠支撑。

在压力测试中，即便镜头移开长达 60 秒后返回，场景中的核心物体依然能保持其结构与外观的一致性。

高动态环境下，镜头长时间移开后返回，车辆形态外观仍保持一致

镜头长时间移开后返回，房屋仍存在且结构一致

LingBot-World 告别了随机的“幻觉”式生成。它支持精细化的、由动作驱动的生成（action-conditioned generation），能够精确响应用户指令，渲染出高质量且符合物理真实感的动态场景。

一个真正可用的“演练场”，必须具备实时交互的能力。LingBot-World 在此方面进行了深度优化，可实现约 16 FPS 的生成吞吐，并将端到端交互延迟控制在 1 秒以内。这意味着，用户可以通过键盘或鼠标实时控制角色与相机视角，画面能够根据指令即时反馈。此外，模型还支持通过文本指令触发环境变化与世界事件，例如调整天气、改变画面风格，并在保持场景几何关系相对一致的前提下完成动态生成。

为解决世界模型训练中高质量交互数据匮乏的问题，团队采用了一种创新的混合数据采集策略。一方面，通过清洗大规模网络视频以覆盖多样化的场景；另一方面，结合游戏采集与虚幻引擎（UE）合成管线，从渲染层直接提取无 UI 干扰的纯净画面，并同步记录下操作指令与相机位姿。这种方式为模型学习“动作如何改变环境”提供了精确对齐的训练信号。

得益于此，LingBot-World 具备了良好的 Zero-shot 泛化能力。仅需输入一张真实的城市街景照片或游戏截图，模型即可生成对应的可交互视频流，无需针对单一场景进行额外训练，显著降低了在不同场景中的部署与使用成本。

团队相信，LingBot-World 的价值在于其作为“数字演练场”，凭借长时序一致性（也即记忆能力）、实时交互响应，以及对"动作-环境变化"因果关系的理解，能够在数字世界中"想象"物理世界，从而为智能体的场景理解和长程任务执行提供一个低成本、高保真的试错空间。LingBot-World 支持的场景多样化生成（如光照、摆放位置变化等），也有助于提升具身智能算法在真实场景中的泛化能力。

同时，团队也认识到当前模型存在的局限。例如，高昂的推理成本使其暂时难以在消费级硬件上普及、模型的长期稳定性仍有提升空间、控制的精细度也有待进一步加强。这些将是未来持续努力的方向。