短短三天，蚂蚁灵波一气开源四大模型，围绕具身智能集中释放全栈模型能力。

公司情报专家《财经涂鸦》获悉，7月9日，蚂蚁灵波宣布正式开源全新一代实时交互世界模型——LingBot-World 2.0（又称 LingBot-World-Infinity），直指“游戏开发、交互式创作、自动驾驶仿真以及具身智能训练的开源基座”。

当天，LingBot-Video同步开源，为全球首个基于 Mixture-of-Experts（MoE）架构、面向具身智能的开源视频生成基础模型。

此前两天，蚂蚁灵波还相继开源了新一代具身基座模型LingBot-VLA 2.0及视觉基座模型LingBot-Vision。

「无限世界，实时交互」

据悉，LingBot-World 2.0全面升级了世界预测与交互能力。

在动作层面，模型支持更丰富的角色动作类型，包括施法、攻击、射箭、射击等战斗动作；事件层面，支持更丰富的文本驱动事件。此外，系统还内置了Agent机制，支持多人同时进入同一个世界。

在交互式世界模型的构建中，最棘手的难题莫过于“长时漂移”。为此，模型采用因果预训练范式（Causal Pretraining Paradigm），从根本上抑制了复合误差的产生，同时提出混合双向与自回归注意力掩码机制（MoBA），在保持生成质量的同时有效缓解了长程自回归导致的误差积累与画质退化。

在长达一小时的不间断压力测试中，LingBot-World 2.0展现出超强持久力。工程部署层面，其也实现了720p分辨率、60fps帧率下的稳定输出。

据悉，本次开源的14B模型提供高质量体验，适用于研究验证与复杂交互世界的构建，采用非商用开源协议，同时联合Reactor（PC ）端与灵光APP（移动端）提供了在线体验入口。

同步开源的LingBot-Video则是灵波面向具身智能开辟视频生成新路线的重要探索——围绕具身智能的核心需求，重新设计视频预训练范式，在推理效率、物理合理性、动作理解和任务完成度等方面实现系统性提升，可用于机器人动作预测、仿真数据生成、动作条件建模、世界模型研究等方向。

全栈模型合力围剿具身难题

7月8日和7月7日，灵波相继宣布开源LingBot-VLA 2.0与LingBot-Vision。7日当天，全新一代空间感知模型LingBot-Depth 2.0亦同步发布。

具身模型、视觉模型、世界模型与视频模型集中开源，并同步推出新的空间感知模型，至此，灵波针对具身领域的全栈模型能力雏形已现。

其中，新一代具身基座模型LingBot-VLA 2.0作为今年1月开源的LingBot-VLA 1.0的全面升级，在构型泛化、自由度支持和落地效率等方面实现了显著提升。

“我们从9万小时数据中清洗出5万小时高质量真机数据，并从2万小时第一视角人类操作数据中提炼1万小时有效数据，使预训练数据总量达到6万小时。”

灵波在其公众号中透露，上述数据覆盖17个主流机器人品牌的20种机器人构型，包括乐聚、智元、星尘智能、宇树、松灵、星海图、银河通用、睿尔曼、Franka、方舟、北京人形、傅利叶、魔法原子、千寻、零次方、非夕和青龙，构型上同时包括了单臂与双臂，双足与轮式等多种形态。

在双臂操作方面，基于上海交通大学GM-100评测，在AgileX Cobot Magic和Galaxea R1 Pro两个双臂机器人平台上，LingBot-VLA 2.0的总体平均任务进度分和成功率均领先于π0.5与GR00T N1.7。

视觉基座模型LingBot-Vision则率先开启了几何建模方式，是业内首个把“边界结构”作为预训练目标的视觉基础模型，实现了更高精度、更稳定的空间感知能力。其预训练语料仅为1.6亿张图像，比DINOv3小一个数量级。

这一突出的视觉表征能力也为LingBot-Depth 2.0的突破性进展提供了助力——面对最难的室内大面积深度缺失场景，LingBot-Depth 2.0的深度误差较上一代减半；在玻璃、镜面、透明物体等传统深度相机最容易失灵的场景中表现尤为突出，能够补全出完整、平整的三维结构。