一张图生成永不停歇的3D世界：LingBot-World 2.0今日开源，60fps无界交互

世界模型这条赛道，又有人扔了一颗深水炸弹。7月9日，蚂蚁灵波团队（Robbyant）正式开源发布 LingBot-World 2.0（代号 LingBot-World-Infinity），论文、代码、模型权重三件套全部公开。这一次，他们把”无限时长”和”随机变化的世界”这两个世界模型最难的骨头，啃下来了。

先说最炸裂的几个数字：720p、60fps、无限时长。不是”接近无限”，是因果预训练范式下的真正无界交互–只要你的GPU不断电，模型就能一直生成下去，而且输出质量不会随时间崩坏。对比1.0版本只能维持近10分钟的稳定生成，这代直接拉满了。

四大核心升级：从”能用”到”好玩”

LingBot-World 2.0 带来了四个维度的质变，每一个都直击世界模型的痛点。

① 无界交互时长

这是最硬核的突破。1.0版本虽然支持近10分钟稳定生成，但终究有上限。2.0采用精心设计的因果预训练范式（causal pretraining paradigm），模型可以在保持输出质量一致的前提下，实现无上限的交互时长。简单说就是：你的角色可以在世界里一直跑下去，画面不会越来越糊，物理逻辑不会越来越乱。

技术上的关键在于KV Cache的滑动窗口设计。模型不会把所有历史帧都塞进显存，而是保留sink帧（锚定帧）+ 最近N帧的KV缓存，像一条流动的河一样往前走。既保证了长程一致性，又控制了显存消耗。

② 60fps实时响应

1.0版本是16FPS、延迟1秒以内。2.0直接把实时版本蒸馏到了720p 60fps。这不是预渲染好的视频回放，是真正的实时生成–你按下按键，画面立刻响应。团队通过模型蒸馏技术，从14B基础模型中提炼出一个轻量级实时变体，在保持画面质量的同时大幅压缩了推理延迟。

③ 更丰富的交互元素

1.0版本主要支持相机控制（平移、旋转）和基础动作（前进、跳跃）。2.0大幅扩展了动作集：攻击、射箭、施法、射击全部支持。更重要的是引入了文本驱动的事件系统–你可以用文字描述来改变世界状态，比如”召唤一把椅子”、”变出一朵花”，模型会实时生成对应内容并融入场景。

④ Agentic Harness：AI自己当导演

这是最前沿的尝试。团队在世界模型里集成了一个智能体框架，包含两个角色：

• Pilot Agent（飞行员代理）：负责规划和执行角色行为，决定角色往哪走、做什么动作
• Director Agent（导演代理）：负责合成新的环境元素，随着场景推进动态生成新内容

等于说模型自己就能当一个游戏引擎+游戏策划，你只需要给它一张图和一段文字描述，它就能自己跑出一个不断演化的世界。

模型规格：14B旗舰 + 1.3B轻量

这次发布了两个尺寸的模型：

• 14B旗舰版：提供 causal-fast（因果快速推理）、causal-pretrain（因果预训练）、bidirectional（双向）三种变体，满血性能
• 1.3B轻量版：提供 causal-fast 和 causal-pretrain 两种变体，支持单GPU部署

14B版本需要8张GPU跑多卡并行推理，1.3B版本单卡就能跑起来。两个版本都已经上传HuggingFace和ModelScope。1.0是Apache 2.0宽松许可，2.0改为CC BY-NC-SA 4.0（非商用）。

怎么跑起来

代码基于 Wan2.2 构建，安装流程很标准：

git clone https://github.com/robbyant/lingbot-world-v2.git
cd lingbot-world-v2
pip install -r requirements.txt
pip install flash-attn –no-build-isolation

下载模型权重（以14B causal-fast为例）：

huggingface-cli download robbyant/lingbot-world-v2-14b-causal-fast –local-dir ./lingbot-world-v2-14b-causal-fast

跑一个480P的因果推理：

torchrun –nproc_per_node=8 generate.py \
–task i2v-A14B –size 480*832 \
–ckpt_dir lingbot-world-v2-14b-causal-fast \
–image examples/03/image.jpg \
–action_path examples/03 \
–dit_fsdp –t5_fsdp –ulysses_size 8 \
–frame_num 361 –local_attn_size 18 –sink_size 6 \
–prompt “A serene lakeside scene with a lone tree standing in calm water…”

关键参数说明：
– frame_num：生成帧数，361帧约22秒@16fps，但因果推理下可以设更大
– local_attn_size：局部注意力窗口大小，控制每步看多少历史帧
– sink_size：锚定帧数量，保留最初几帧作为全局上下文

在线试玩渠道

没有8卡A100？没关系，团队提供了两个在线体验平台：

• 海外（Reactor）：reactor.inc/lingbot-world-v2，网页端直接玩
• 国内（灵光）：lingguang.com/support，手机端可体验

另外，7月底的WAIC 2026（世界人工智能大会）上会有官方完整Demo展台，想体验满血版本的可以到时候去现场。

部署方案：SGLang已原生支持

如果你打算自己部署，SGLang 已经原生支持 LingBot-World 2.0 的实时推理路径。它走的是WebSocket + MessagePack协议，服务器维护一个活跃会话，逐chunk生成视频帧，支持运行时动态接收控制事件（相机动作、文本prompt变更等）。

核心API是 /v1/realtime_video/generate WebSocket端点，客户端连接后先发init消息（包含首帧图片、prompt、尺寸、FPS等参数），然后可以持续发送event消息来更新场景。支持的事件类型包括prompt更新、相机动作、复合输入三种。

和Google Genie 3对比如何？

1.0版本发布时，团队就明确对标Google Genie 3。从1.0到2.0，差距不仅追平了，部分维度还反超了：

• 时长：Genie 3有限时长 vs LingBot 2.0无界
• 分辨率/FPS：Genie 3未公开详细规格 vs LingBot 2.0明确720p@60fps
• 开源程度：Genie 3闭源 vs LingBot 2.0全开源（论文+代码+权重）
• 交互丰富度：LingBot 2.0的Agentic Harness是世界模型领域首创

局限和不足

客观说几点限制：

• 14B版本需要8卡GPU，门槛不低（1.3B版本缓解了这个问题）
• 2.0许可证改为CC BY-NC-SA 4.0，商用需要单独授权
• 团队明确表示不会发布部署代码，需要自己参考SGLang或flashdreams搞
• 实时60fps版本是蒸馏出来的轻量变体，画质理论上不如满血14B

这意味着什么

世界模型正在从”实验室Demo”走向”可用的产品”。LingBot-World 2.0的三个关键突破–无限时长、实时响应、智能体驱动–恰好对应了游戏、虚拟世界、机器人训练三大应用场景的核心需求。

想象一下：一张图片+一段文字，AI就能生成一个你可以自由探索、永不停歇的3D世界，里面有会施法的角色、随机出现的新物体、持续演化的环境。这不是科幻了，这是今天就能跑起来的代码。

蚂蚁灵波团队从LingBot-Depth（空间感知）到LingBot-VLA（具身决策）再到LingBot-World（世界模拟），加上新开源的LingBot-Map（实时建图），已经搭出了一条完整的具身智能技术栈。世界模型是其中最关键的一块拼图–它让AI不只能”看懂”世界，还能”创造”世界。

一张图，一句话，一个无限世界。这就是世界模型的2026年。

项目地址：github.com/Robbyant/lingbot-world-v2
论文：arxiv.org/abs/2607.07534
在线试玩：reactor.inc/lingbot-world-v2