LingBot-World 2.0 實測：無限時長、隨機變化的世界，終于來了？

「加載」一個世界，只需要幾秒鐘的時間——在過去，這說的是一個已經可以游玩的游戲，里面所有的內容早已寫好。

如果一個從未被創造過的全新世界，也只需要幾秒鐘就可以被創造出來，里面具有獨特、未曾出現過的環境、關卡、天氣、角色、劇情。

這就是最新世界模型 LingBot-World 2.0 正在試圖實現的事情。「一個世界只需要幾秒鐘就能造出來」不再僅限于預制的世界，而是讓每一次生成，都是一次全新的創造。

這是一個秒級生成、支持實時交互的開源世界模型。

秒級生成指的是你只需要寫好提示詞，丟給它參考圖，幾秒之后對應的世界就生成好了，可以直接開始探索。

而實時交互不僅限于傳統的探索，「wasd」和「攻擊」已經是上個時代的玩法了。在 LingBot-World 2.0 中，你甚至可以在一個新的世界被生成之后，繼續用提示詞修改它的邏輯、環境、角色、風格——等等全部的一切。就算你不修改，模型也會自己修改自己——就像一個會自主進化，一個「活著」的世界。

2025 年 2 月才正式成立的螞蟻靈波，是 LingBot 系列世界模型背后的開發者。今年 1 月才發布第一個大版本，不到半年 2.0 也已經訓練完成并開源部署上線，動作十分迅猛。

具體來說，這次的 2.0 升級主要有四個方面：

1. 通過因果結構 (causal) 的預訓練讓交互更加穩定；
2. 提供 14B 參數量的模型和1.3B 官方蒸餾版本的小模型，均為開源；
3. 基于生成的世界，模型會自主生成符合語境的「技能」類型，例如攻擊、射箭、施法、槍械設計等；且正如前面提到，用戶可以用提示詞來自定義「技能」。
4. 在與模型搭配的 agentic 腳手架方面，引入雙 agent 架構，角色的規劃與動作，和場景的推進和實時生成、演化，這兩套任務由兩個分別的 agent 完成。

在和 LingBot-World 第一代、阿里 ATH 的快樂生蠔、Google 的 Genie 3 等知名長時序世界模型對比中，LingBot-World 2.0 在生成時長、動作自由度、語義交互自由度、視頻清晰度等方面全面領先。

在模型規格方面，根據 APPSO 了解，螞蟻靈波將會首先發布 14B 參數量的模型，提供給有部署能力和意愿的開發者。

除了最高質量的體驗之外，14B模型還可以為其他世界模型以及自演化世界建模工作提供開源基座，該版本將采用 2026 年逐漸流行起來的非商用開源協議進行開源，螞蟻靈波也會聯合Reactor等平臺，提供在線體驗及 SDK。

由螞蟻靈波官方蒸餾的 1.3B 參數量小版本，也將隨后提供。該版本可以帶來相對輕量的體驗，采用商用協議開源，并且由于參數量較小，能夠穩定輸出 720p/60fps 的視頻流，并部署在消費級獨立顯卡上。

在 LingBot-World 2.0 正式發布之前，APPSO 前往螞蟻靈波辦公室進行了詳細的測試。

一個世界，有自己的導演和演員

大家可能還記得世界模型之前最熱門的海外選手是 Google 的 Genie。今年年初推出的 Project Genie 是一個實時渲染、可交互的環境，融合了包括 Genie 3 在內的多個模型，每個模型負責不同工作。

APPSO 所體驗到的 LingBot-World 2.0，也是一個實時渲染的、用戶可交互的環境。

我們用一張《刺客信條：起源》的角色劇照作為參考圖，并且搭配了中世紀歐洲荒野的環境提示詞。

點擊生成之后，大約過了 2 秒鐘，我們的刺客就開始在地圖中探索了。我同時按下了「前進」(W) 和「近戰攻擊」(U) 兩個鍵，角色跟隨著我的指揮一邊向前走，一邊揮舞著火焰附魔的長刀。

在工程層面上，有兩個 Agent 在同時工作：Director 和 Pilot Agent。

顧名思義，Director Agent 是「導演」，能夠 根據場景的推進，來實時發出「指導」，控制新的環境元素的生成。比如，畫面中出現的 NPC、魔物，戰場上的漂浮的灰燼，都是由 Director Agent 負責生成；Pilot Agent 則負責根據我按下的熱鍵所對應的動作，來規劃角色的行為。

LingBot-World 2.0 和 Project Genie 有點異曲同工的感覺。

不同之處在于，Google 的做法是在技術底座中融合不同模型，Nano Banana Pro 負責圖像控制、Gemini 理解文本指令、Genie 3 負責物理反饋。

而螞蟻靈波的做法，是在模型配套的 Agentic Harness，也即在工程層面，分出兩個不同的 agent 來完成不同的工作。按照官方介紹，這種雙 Agent 設計是為了讓場景推進過程中能夠生成新的環境元素，從而讓世界能夠自主演化。

如果你對這兩者的技術細節感興趣：實際上 Director 是一個 VLM（視覺-語言模型），掌控宏觀語義規則、因果推理和時間規劃；而 Pilot 則是一個 DiT（擴散模型），負責底層物理動態模擬和高保真視覺渲染。

兩者共同構成了一個類似于「大/小腦」的共同模擬框架 (Brain-Cerebellum Co-Simulation)。

根據 APPSO 的理解，這種做法還有算力負載上的好處：

簡而言之，在上傳參考圖和提示詞之后，模型無需進行復雜的思考，最快只需一兩秒就可以生成；而有了這個實時生成的 Director Agent，讓環境、角色、道具填充工作——所有能夠這個世界活起來的東西——可以在后續不斷填充。

也就是說，這種工程思路把「生成」的高算力負載，在時間序列上攤平了。

無限生成，突破世界模型「分鐘極限」

此前，Project Genie 的單次 session 時限是 1 分鐘，即便是 Google AI Ultra 付費訂閱用戶也無法突破。這正是因為 Project Genie 的基座架構決定了時間越長、生成的計算成本越呈指數級飛漲，且畫面邏輯崩壞不可避免。

而 LingBot-World 2.0 不僅通過工程思路攤平了算力負載，還使得生成時間可以達到了小時級——對于世界模型來說，在實際意義上等同于「無限長」。這也是為什么這個模型還有另一個名稱：LingBot-Wrold-Infinity。

世界模型的基礎是視頻生成模型。但對于視頻模型，生成出內容之后任務就結束了，而 LingBot-World 2.0 所實現的，是讓世界可以持續運行，讓持續時長近乎無限。

最近電影《后室》上映，我們也在實測中上傳了一張后室風格的參考圖，配上了幾組不同的提示詞，對 LingBot-World 2.0 的持續時長進行壓力測試。我們在這個后室世界中不斷地探索，生成紙片、椅子等不同的道具，玩了 10 多分鐘。

這主要是以為內我們的實測時間只有幾個小時，還要測試許多其它場景和能力。如果沒有時間限制的話，這個 demo 可以一直運行。

LingBot-World 2.0 的論文提到了一個新的注意力機制，在自注意力中「混合雙向注意力和自回歸注意力」(Mixture of Bidirectional and Autoregressive, MoBA)。

傳統的自回歸路線（典型代表就是 Genie 3）有一個致命問題：上下文越長，世界模型越依賴「背答案」而不是真正的預測，這會導致過擬合以及畫質下降。而螞蟻靈波團隊提出的 MoBA 機制，在注意力掩碼中假如了雙向注意力這么一個「補丁」，讓模型既能夠自回歸生成，又能保證畫質不崩潰。

這一機制也直接揭示了為什么 LingBot-World 2.0 能夠做到小時級的時長，并不僅僅是算力堆疊，更多是注意力機制層面實現了創新。

除了算力，限制經典世界模型生成結果的持續時長的還有另一個問題：KV Cache（鍵值緩存）以及其持久性。

相信大家應該都對 KV Cache 不陌生，它可以被理解為大模型的「短期記憶」。而在世界模型的語境下，一個超過百億參數量的模型，按照不同精度、頭維度、頭數等計算出來的顯存占用，可能從 10+GB 到上百 GB 不等。換言之，按照今天的技術水平，一個世界模型很難兼得「持續時長」和「一致性」的，因為對于算力和緩存維持的壓力太大。

為了實現極致的生成持續時長，讓模型能夠在小時級的交互過程中維持穩定的輸出質量，螞蟻靈波團隊走了一條當今很有前景的路線：因果自回歸 (Causal Autoregression)。

傳統自回歸/擴散架構的世界模型和視頻生成模型，其本質是在做有條件的像素預測，即通過歷史幀的像素來推測下一幀。這種方式相對脆弱，當持續時長過長的時候，會因為嚴重的誤差積累而導致物體、環境扭曲等時空一致性崩潰。

而因果自循環架構，意味著模型不只是預測像素，同時還會預測預測一個被物理法則所框定的離散潛狀態 (latent state)。你可以理解為，LingBot-World 2.0 在預測畫面的同時也在通過預測的方式運行一個「物理引擎」，能夠基于因果邏輯去推演下一個狀態，將狀態解碼為輸出畫面。

下面這張圖能夠比較粗淺但精準地解釋這種因果架構帶來的物理一致性：我們在場景中施放了一個大火球，被濺射到的地方也會有殘余的灰燼，陰燃也會持續一段時間。

同理，在 APPSO 的體驗中，我們也注意到 LingBot-World 2.0 對于包括重力、水體、自然元素等在內的物理法則的遵循度，基本達到其它一流世界模型的程度。

LingBot-World 2.0 的因果自循環的架構，意味著其在推理的時候不再單純依賴于模型的注意力機制，用白話說就是無需在將過去一段時間內的全部畫面（對應的所有 KV）都塞進緩存，也就在一定程度上避免了 KV Cache 爆炸的情況——從而能夠實現生成畫面的「超長待機」。

當然這個世界模型仍然會利用 KV Cache 機制。而由于 KV Cache 的影響，APPSO 注意到我們測試的早期內部版本，雖然在物理一致性上效果令人驚嘆，在空間一致性上尚待提升。

比如在下圖中你會看到，當我們操控小狗退回到原來位置，卻出現了一堵此前并不存在的墻：

空間一致性一直是世界模型的經典難題，主要體現為當你轉動視角再轉回來，或者離開原地再返回，原本的場景已經發生了變化。

這是因為我們體驗的內測版本通過 JSON 代碼限制了 KV Cache 的長度及其它相關參數，從而控制了空間一致性的時長在幾秒內。這個設計主要是服務發布前的測試，能夠最體驗到接近無時延的新內容生成效果。

在發布之后，螞蟻靈波官方會在公開體驗版中提供更加直觀的菜單，比如撥桿或者滑塊，來調整那些可以調整的選項，比如 KV Cache 大小、一致性維持的時長等等。

而在 LingBot-World 2.0 的論文中我們也看到了更多細節：這個模型采用了動態 KV Cache 調度的機制，能夠根據控制信號和輸入狀態，來自適應保留或丟棄緩存。通過這種方式，模型能夠保保留對當前世界最有價值的緩存歷史，而丟棄掉哪些價值不大的廢料。

論文還顯示，在一個長達 60 分鐘、覆蓋 20 個不同場景的世界生成任務中，模型能夠全程很好地維持場景獨特的結構、視覺質量。

縱覽整個領域，已經有一些世界模型實現了在相對更長的時序交互中維持時間和空間的一致性。這說明前沿世界模型已經引入甚至涌現出原始的 3D 幾何認知。而接下來，不同的團隊選擇了不同的攻堅方向。

維持近乎于無限的時長，是最關鍵的探索方向之一。對于游戲、交互式內容來說，時間窗口的長短都對于沉浸感十分重要，而這些場景也是 LingBot-World 2.0 最適合的應用場景。

隨時注入事件，變化的世界才是「活的」

最好的東西留到最后。

體驗過后我覺得 LingBot-World 2.0 最好玩的能力，是實時事件注入的能力。

對于過去的世界模型來說，你輸入參考圖以及提示詞之后，你對于生成出來的這個世界的影響力是極其有限的。誠然在一個 GTA 式的世界里你可以移動自如，甚至可以和 NPC 互動并操控載具，但這些交互的邏輯，無法跳出模型在初次生成時對于你的輸入所描述的世界所構成的理解。這個世界在生成時就已經固定了。

而 LingBot-World 2.0 支持基于文本的新事件注入。也就是說，無論你想要多么夸張、反邏輯的變化，只要你能用語言描述之，它就可以在當前生成的世界里實現。

具體來說，模型本體提供了「事件」(Event) 的接口，用戶可以在提示詞里直接使用指定的語法來描述希望出現的效果。語法也很簡單，比如你可以用 /1、/2 來指定鍵盤上的 1 和 2 作為臨時熱鍵。

不僅如此，前面提到的模型 Director Agent，還會基于當前的世界狀態，來實時生成并為世界注入新的事件。

以螞蟻靈波的測試界面為例，下方分別為移動和視角的快捷鍵；右側列出了當前可以執行的操作。其中空格（跳躍）和 P（展翅）是固定的；U（近戰）、O（遠程） 則會由模型理解當前場景和角色并生成合理的攻擊方式；F 和 G 也是同理，模型會基于理解生成新的事件或動作；1、2、3 則允許用戶通過提示詞自行注入事件。

在實測中，我們生成了一個「逃離塔科夫」風格的 demo，而模型已經預設好了一些交互方式：比如 U 和 O 分別是近戰武器肉搏和手槍開火。

更有趣的是，我們注意到在射擊了一段時間之后，模型不僅把我們的手槍換成了自動步槍，甚至還會上彈夾……

還是在「后室」風格的場景中，我們描述了兩個比較抽象的，基于文本的新事件：1 鍵把主角變成隨機動物，2 鍵則是一個比較隱性的變化，「修改目前無法看到的后室結構，使其變得無法預期」。

然后我們開始在后室探索，果然，「noclip」進入了一些十分有趣、機關重重的新房間：

只是這房間風格、機器人……怎么讓我想起了《迷失》(Stray)？

在體驗中，模型自身會在各種場景中填充一些有趣且符合邏輯的效果，但偶爾也會出現一些反邏輯的「奇葩」效果。比如下圖中的「閃電魔傘」，確實讓人意想不到。

無論來自于用戶自定義，還是模型自主生成，這些「事件」都讓 LingBot-World 2.0 所生成的世界變得更加有趣、更有可玩性。

究其根本，一個會自主演化的世界，能給人以更強的鮮活感——哪怕是硬性填充再多的 NPC 數量，或抑或把環境做的再「擬真」，一個不會變化，永遠沒有意外的世界，永遠不是「活的」。

而在讓世界變得鮮活這件事上，LingBot-World 2.0 已經展現出了一些略顯粗淺，但非常有趣的成效。

一個新的世界生成了，然后呢？

世界模型已經熱鬧了大半年了，但大部分選手都還沒有摸索清楚商業化的路徑。

最直接的場景，看起來是游戲。對于游戲開發者來說，幾秒鐘生成一個可交互世界的效率還是非常有吸引力的。無論是獨立游戲團隊，還是在大工作室里爭搶開發資源的策劃，通過 LingBot-World 2.0 這樣的世界模型來快速生成原型，驗證理念效果，的確令人看到了可行性。

與此同時，更長線的商業前景在于具身智能和自動駕駛。用世界模型快速生成的仿真環境，特別是借助 LingBot-World 2.0 的事件引擎能力，來快速生成新的事件，都能有效提升具身智能模型的訓練效率。

另外，視頻創作也能或多或少用上世界模型。今天的視頻生成片段大多限制在十幾到幾十秒，而世界模型理論上能夠輸出更長的素材，至少可以作為空鏡、填充素材來使用。

特別是那種即便連視頻模型不一定能夠理解的反邏輯場景——比如在賽博朋克的世界里扮演中世紀巫師，或者在南極扮演一把辦公椅……用世界模型來生成可能會有奇效。

當然如果你的創意水平和執行能力夠強，或者你有自己開發 Harness 的能力的話，用 LingBot-World 2.0 這樣的無邊界模型來生成長鏡頭，甚至一條完整的視頻，也是很有搞頭的。

總的來說，世界模型火了這么一段時間過后，前沿選手都已看起來以假亂真，但是一旦真正「運行」起來，時長、可交互性就顯出差距了。

和知名世界模型團隊相比，螞蟻靈波既不是 Genie 那樣的純自回歸，也非 World Labs 那樣的 3D 重建。

它的思路是將因果擴散模型當成物理引擎，用 Agentic Harness——也就是前述的雙 Agent/大小腦架構作為神經系統；除此之外，一些聰明的工程決策，也讓 LingBot-World 2.0 在更加均衡的算力負載下，能夠遠超過去世界模型的持續時長。

這個模型在今天取得了 SOTA 成績，而與此同時，無論是國內多家團隊，還是國際上的 Genie 3、AMI、World Labs，每家都在用自己的方式回答相似的問題。

世界模型的技術范式尚未進入收斂的階段，接下來半年到一年里，我們可能還會看到更多有趣的嘗試。