全球首个小时级世界模型来了！中国造，已开源

一个永不结束的AI世界正式开服。720p/60fps满血输出，内置双Agent让场景彻底「活」了，人人皆可当造物主。

这个夏天，一部叫《后室》的电影，成了现象级爆款。

没有超级英雄、没有大场面，甚至几乎不靠台词推进。全片仅靠一个空间撑起：

霉旧的地毯、嘶嘶作响的日光灯、令人窒息的黄色墙纸，构成了一条看不见尽头的长廊。

然而，就在《后室》席卷全球院线的同一时刻，另一群人做成了一件更疯狂的事——

他们用AI实时「生成」了这个走不到头的黄色房间，还让你能亲自走进去。

只需上传一张图片，让AI生成图中的世界，一个新世界的「大门」就打开了。

全程60秒，孤身一人徘徊在无边无际的黄色房间时，那种身临其境的战栗与恐惧，将直击灵魂。

实现这一刻的，就是今天正式开源的全新一代「实时交互世界模型」——LingBot-World 2。

如今，2.0一经发布，迅速空降Reddit热榜，其颠覆性的实力让全网为之惊叹。

一个走不到头的黄色房间，AI让它「活」了过来。

它的诞生证明了一件事：AI已经不满足于仅仅「生成一个世界」，它现在要做的，是实时「运行一个世界」。

这一次，世界自己长了出来

• 从「十分钟」到「小时级」，一个不停机的世界

LingBot-World 2.0最直观的进化，率先体现在时间维度上。

一直以来，视频世界模型都有个备受诟病的顽疾——「长时漂移」（Long-horizon Drifting）。

只要生成的时间轴一拉长，物体就开始扭曲、细节不可逆转地塌陷、主体离奇消失、场景结构全线崩坏。

你刚刚建好的一栋房子，镜头转一圈回来，原地就成了一片废墟。一个连「记性」都没有的模型，谈何构建「世界」？

此前，LingBot-World 1.0凭借一套可扩展的数据引擎和多阶段训练，将连续无损生成做到了近十分钟，初战告捷；但这显然不是终局。

这一次，2.0直接把度量单位换了：支持小时级时长的实时生成，且长时间运行画质无可见衰减。

世界第一次能够真正地「持续存在」，化身为一个永不停机的世界。

你可以直接把自己「生成」到雪山群峰的环抱之中。乘着滑翔伞，以第一视角翱翔在一片翠绿的山谷之上，迎面而来的，只有仿佛连绵不绝的真实视界。

上传一张莫奈的《印象·日出》，随着镜头不断后撤，这幅原本扁平、静止的油画，竟直接向外生成出了一个立体的真实空间。画外的港口、建筑与水波，全都被无缝补全。

不仅仅是时间维度的抗漂移，在物理空间的「锚定」上，2.0同样展现出了同样的严谨。

在神庙废墟中，以第一视角不断左右环顾。日光穿过石柱，光线变化如真实世界般自然，建筑群没有出现任何模型常见的扭曲或形变。

骑马穿越游戏世界，脚下的草地在实时演算并向后退去，但天际线外的巨型天体和远方城堡却始终屹立。每一次转动视角，世界的反馈都严丝合缝。

• 720p/60fps实时生成，跨过「游戏级」门槛

如果说时长决定了世界的耐力，那么帧率就决定了世界的「手感」。

一个世界模型要真正做到「可玩」，画面就必须对你的每一次操作给出即时反馈，慢半拍都会让人瞬间出戏。

这里的生死线，是帧率和延迟。而LingBot-World 2.0极大地补齐了这块短板——在720p的分辨率下稳定跑出60fps。

画面跟着指令即时反馈，转身、加速、急停，几乎感觉不到延迟。

比如在「沙漠滑沙」这类高速移动的复杂场景中，它依然能保持近乎零延迟的实时演算与画面更新。

哪怕是挑战同时渲染「霸王龙逃生、火山喷发、陨石坠落且烈火蔓延」这种大片级的灾难场景，也能精准拿捏极其复杂的动态光影与环境交互。

• 攻击、射箭、施法，一句话改世界

横亘在「逼真」与「世界」之间的另一道天堑，是交互太浅。

在1.0时代，你能对世界做的干预主要停留在移动和转换视角，也就是简单的WASD加鼠标。

到了LingBot-World 2.0，动作库被大幅扩容，一口气加入了攻击、施法、射击等复杂交互。

生成一个戴黑色尖顶帽、穿长风衣的巫师，背景设定在雾气弥漫的城市街头。

当你按下键盘触发不同的「攻击」指令时，上一秒还在雨中漫步的角色，下一秒就会猛然挥起魔杖，释放出极具视觉冲击力的华丽法术，将场景的沉浸感瞬间拉满。

左右滑动查看

在令人血脉贲张的第一视角射击游戏中，系统的动作解算能力更为硬核。

只需按下系统设定的「近战」或「远程」键，VLM就会根据你的交战距离和战况需求，实时为你「捏」出最契合的战斗反馈。

伴随着满屏飞溅的火花与极具冲击力的爆炸光影，你可以一路摧枯拉朽，直接轰杀袭来的重装机甲、魔法巨兽，乃至正面硬刚长着巨翼的最终Boss。

与此同时，它还支持更丰富的，由文本驱动的事件注入——你可以通过直接打字来改写世界。

从「能移动」到「能行动」，世界模型的交互维度被彻底打开了。

当探险家步入幽暗的洞穴时，你可以在控制台的输入框里写下「突然出现一群蝙蝠」。接下来，好戏开场。

只见，一群蝙蝠就会立刻从深处扑面而来，与角色产生极为真实的物理互动。

在控制台敲下一句「变成冰窟」。眼前的岩洞就会在一瞬间冻结成湛蓝的冰晶，一个全新的极寒秘境轰然敞开，任由NPC自由探索。

更有趣的是，在用Prompt构建整个初始世界的时候，甚至能直接把「交互规则」一并给做出来。

比如，当你创造一只在云海上滑翔的雄鹰时，可以同步在设定中写明：将「翅膀闪耀」、「风暴袭来」、「急速侧转」等特定的干预事件，分别绑定在键盘的 1、2、3 键上。

• 内置Agent，让世界自己「长」起来

在2.0之前，几乎所有实时世界模型，都共享一个隐藏的默认设定：世界是被动的。

一旦失去外部输入，整个世界就会像按下暂停键的电影，瞬间陷入停滞。

2.0在这里装上了一颗会自己跳动的「心脏」，称之为Agentic Harness。

于是，世界第一次拥有了自主性：你不操作，它也会自己往前演化。天气会变，角色会动，新的事件会不请自来，它主动propose新的可能。

我们仅仅是上传一张静止的油画，故事便开始了自我繁衍：

不一会儿，画中的服务员端上了咖啡，街边开始出现熙熙攘攘的路人、穿梭的车辆。

一个画中的世界，正在真实地「长」出来。

一套双层设计，同时拿下「长」与「快」

LingBot-World 2.0能让世界活起来，背后真正的核心，深植在「因果」二字里。

几乎同一时间，蚂蚁团队放出了一份技术报告，让我们一起深扒背后的原理。

技术报告开宗明义，引用了大卫·休谟《人性论》的一句话——原因必先于结果。

因果推理的第一原则是：结果永不先于原因，未来由过去塑造，反之则不成立。

这一次，2.0把这条哲学原则，直接写进了架构。

它把世界模拟形式化为一个沿时间轴的因果生成过程：每一个状态，只依赖它的历史上下文与当前输入。

团队在训练全程原生地强制这种「因果性」。

在此之上，是一套「教师-学生」的两阶段设计，堪称整篇论文的骨架。

第一阶段是预训练，先炼一个「教师」。

一个能长时间稳定、且能被动作精确控制的「因果世界模型」。

为了对付前面那只漂移虎，团队设计了一种叫MoBA（双向与自回归混合）的注意力掩码。

通俗说，就是在保证「只能看过去、不能偷看未来」的前提下，又给模型补了一点全局视野，专门用来抑制长序列里的过拟合和画质塌陷。

这一步换来的，是报告反复强调的一个词：抗漂移（anti-drifting）。

但光有一个强大的「教师模型」还不够，它太慢，没法实时生成。

于是第二阶段后训练阶段，再蒸馏出一个「学生」。

即用一致性蒸馏把去噪步数大幅压缩，再用「分布匹配蒸馏」（DMD）提升画质、压制漂移。

最关键的是，模型自己长时间跑出来的轨迹上做校正，进一步压住累积误差。最终，它能在720p分辨率、60fps帧率下，撑起一个永远不必结束的可交互世界。

而这套设计究竟成不成，论文给了一个近乎「耐力赛」的证据——

长达一小时，跨越20个不同场景，从竹林运河一路走到月宫、地球之窗，全程画质没有可见的衰减。

因此，它的稳定，是一种结构性的属性，而非某段「运气好」的短片才有的昙花一现。

装上大脑与小脑

让「死」的世界活过来，也是LingBot-World 2.0真正想讲的故事。

为此，它装了一颗会自己跳动的「心脏」，团队将其称之为Agentic Harness。这是一套很妙的「大脑—小脑」协同架构。

• 一个视觉语言模型（VLM）当「大脑」，负责宏观的语义规则与因果推理。它持续观察当前画面、预判用户行为的逻辑后果，然后抛出一个个明确的「事件提案」。

• 而底层的视频生成模型（DiT）当「小脑」，负责把这些语义决策落地成符合物理直觉、连贯流畅的画面。

大脑想，小脑做，一个负责「接下来该发生什么」，一个负责「把它画出来」。

因此，这套框架里跑着两个各司其职的Agent：Pilot Agent + Director Agent。

• Pilot Agent，负责规划和执行角色的行为；

• Director Agent，像一位隐形的导演，在场景推进的过程中，基于当前世界的状态，实时生成并注入新的事件与环境元素。

一个当演员，一个当导演，两者合力，把一个「逐帧预测器」真正变成了一个像模像样的世界：

自我维持、目标驱动、开放无尽，没有谁在背后逐帧写好剧本。

而人类和这个世界打交道的方式，也一下子丰富了起来。

一种是「直接语义交互」：做个动作，大脑就地判断合不合物理常识、该发生什么后果。

另一种是「物体级交互」：借助SAM分割追踪，选中场景里某个具体物体，对它单独下指令，系统会一路追踪它、保持空间一致。

于是，一个双向演化的循环第一次真正闭合——

你的每一次动作都在改写世界状态，而「大脑」又根据新的世界状态，不断抛回新的事件与意外。

你影响世界，世界回应你，再反过来给你惊喜。

从「被动响应」到「主动演化」，这是LingBot-World 2.0与所有停留在「生成」层面的模型之间最深的一道分水岭。

一个「活世界」，能长出多少种未来？

当世界能持续运行、能自我演化、能多人共享，它的价值就远不止「好玩」两个字。

最先被点亮的，大概是游戏和创作。

过去做一款开放世界，得靠一支团队一砖一瓦把地图、剧情、事件全都预先写死。

而在LingBot-World 2.0里，直接开一台服务器，让世界自己生长，剧情不必事先编排，玩家走到哪，世界就演化到哪。

对创作者来说，这几乎换了一门手艺：与其逐帧去抠画面，不如像导演一样，用一个个Action和Event去调度一个会自己运转的片场。

屏幕之外，一个能持续演化、事件丰富、还能随你交互的虚拟世界，恰恰是机器人梦寐以求的训练场。

真实世界里，让机器人试错一次的成本高得吓人；而在一个高保真的「数字演练场」里，它可以低成本地跑上千万次。

自动驾驶，同样如此。

AI世界能把一些极端情况造出来，让车在虚拟马路上反复练，练到形成「肌肉记忆」。

等它真正上路那天，这些要命的瞬间，它早在数字世界里经历过千百回了。

而对学术圈来说，2.0更是一块难得的「公共地基」——一个开源的、事件驱动的、会自我演化的世界底座，谁都可以拿去接着往下研究。

多人同服，1.3B单卡可跑

Lingbot-World 2.0还专门开发了一套接口，支持多人同时进入同一个世界。

这一次，2.0一共提供了两个开源版本——

一个是14B主模型，面向最强画质、研究验证与复杂交互世界；

另一个是1.3B轻量模型，专为普及而生，一张消费级显卡就能轻松部署。

主模型负责把能力上限顶到最高，轻量模型负责把社区可用性拉到最广，二者兼顾，谁都不落下。

如今，Lingbot-World 2.0权重、代码与在线体验入口，都已随论文一并放出——

Website：

https://technology.robbyant.com/lingbot-world-v2

Model：

https://huggingface.co/collections/robbyant/lingbot-world-v2

https://modelscope.cn/collections/Robbyant/LingBot-World-V2

Code：

https://github.com/Robbyant/lingbot-world-v2

在线体验地址：

https://www.reactor.inc/lingbot-world-v2

Tech Report：

https://github.com/Robbyant/lingbot-world-v2/blob/main/paper.pdf

另外，所有人还能通过蚂蚁灵光App的「世界模型」功能，在手机上直接走进这个AI世界。

文章来源：新智元。