蚂蚁灵波开源全球首个MoE具身智能视频模型

7月9日，蚂蚁集团旗下蚂蚁灵波科技正式宣布开源LingBot-Video，这是全球首个基于MoE（混合专家）架构、面向具身智能的开源视频生成基础模型。该模型的发布，标志着视频生成技术正从“数字内容创作”向“物理世界理解”开辟出全新的演进方向。

LingBot-Video采用了DiT（扩散Transformer）+MoE的架构设计。其核心创新在于用MoE架构替代了传统的稠密（Dense）架构，通过30B（300亿）的总参数，在推理时仅激活约3B（30亿）参数，相比同等参数规模的稠密架构，推理效率提升了约3倍。这一设计使得模型在获得大参数视觉表达能力的同时，满足了具身智能对高效推理的严苛要求。

与通用视频模型不同，LingBot-Video从架构、数据到训练目标，全链路都是为机器人和人形智能体量身打造的。

LingBot-Video的开源，为具身智能研究提供了一个强大的基础模型。它可用于机器人动作预测、仿真数据生成、世界模型研究等多个前沿方向。