蚂蚁集团发布LingBot-World-Infinity：14B因果世界模型，支持无限交互与Agent框架

一句话看懂

蚂蚁集团旗下Robbyant发布LingBot-World-Infinity，一个14B因果视频生成世界模型，通过MoBA注意力机制和Agent框架实现无限时长、低漂移的交互式模拟。

详细发生了什么

7月9日，蚂蚁集团具身智能团队Robbyant正式开源LingBot-World-Infinity（即LingBot-World 2.0）。这是一个14B参数的因果视频生成模型，核心定位是可交互的世界模拟器——用户通过连续动作（相机姿态加文本提示）驱动视频帧生成，每帧只依赖过去帧和当前输入。

团队提出混合双向自回归注意力掩码（MoBA），在标准教师强制掩码后附加双向全注意力块，作为正则化器防止模型过度依赖上下文导致漂移。训练分两阶段：预训练采用条件流匹配目标，后训练通过一致性蒸馏和分布匹配蒸馏（DMD）压缩多步教师模型为少步学生模型。DMD在长自展开轨迹上应用，直接优化学生模型自身预测的状态分布，从根本上抑制纹理模糊和几何扭曲。

更值得关注的是Director-Pilot协同仿真框架：VLM作为Director负责宏观语义和因果推理，Diffusion Transformer视频生成器作为Pilot模拟底层物理。用户可通过WASD移动、IJKL视角、空格跳跃等游戏化操作，或直接文本干预（改变天气、生成生物）。论文展示单次60分钟不间断会话覆盖20个场景。

但开源力度有限：目前只提供14B因果fast checkpoint（480P参考脚本），14B双向版和两个1.3B轻量版标注为TODO。没有部署代码，没有量化基准，采用非商业CC BY-NC-SA 4.0协议。

中文圈视角

对中文开发者来说，LingBot-World-Infinity的开源价值需要理性看待。

可用性门槛较高：参考脚本需要8卡GPU运行480P，60fps实时版本依赖TensorRT编译和时空精炼器，没有直接开源。国内用户想复现，得自己搭建多卡环境，而且模型权重托管在Hugging Face，下载可能受网络限制。

国产平替对比：相比智谱CogVideo、阿里I2VGen-XL等视频生成模型，LingBot-World-Infinity的核心差异在于因果交互——它不是一次性生成视频，而是逐帧响应动作。国内类似方向有上海AI Lab的OpenWorld模型，但尚未开源。对于游戏原型设计、具身仿真等场景，该模型填补了空白，但离产品级应用还有距离。

合规与场景：CC BY-NC-SA协议禁止商业用途，国内企业需要注意。个人开发者可用于研究：比如用其生成合成数据训练策略模型，或作为Agent评估环境。但要注意数据出境问题——模型运行需要下载权重，涉及跨境传输。

中文社区盲点：多数讨论聚焦视频生成质量，但MoBA注意力机制对长视频生成的改进思路值得关注——国内视频大模型（如快手可灵、字节即创）在长视频一致性上仍有瓶颈，LingBot的蒸馏策略或可借鉴。

几条值得记住的细节

模型参数量14B，另有1.3B轻量版（未开源）宣称可单卡部署。
参考脚本输出480×832分辨率，需要8张GPU；60fps 720p版本依赖TensorRT编译，没有直接提供。
交互支持20多种动作类型：攻击、射箭、施法、射击等，通过文本或按键触发。
开源协议为CC BY-NC-SA 4.0，禁止商业使用。
Diffusers checkpoint已上传，可通过pipe()一行调用生成视频。

一句话总结

LingBot-World-Infinity展示了因果世界模型的技术方向，但开源程度有限，适合有算力的研究者尝鲜，离普通用户可用还有距离。