全球首個小時級世界模型來了！中國造，已開源

新智元報道

【新智元導讀】一個永不結束的AI世界正式開服。720p/60fps滿血輸出，內置雙Agent讓場景徹底「活」了，人人皆可當造物主。

這個夏天，一部叫《后室》的電影，成了現象級爆款。

沒有超級英雄、沒有大場面，甚至幾乎不靠臺詞推進。全片僅靠一個空間撐起：

霉舊的地毯、嘶嘶作響的日光燈、令人窒息的黃色墻紙，構成了一條看不見盡頭的長廊。

然而，就在《后室》席卷全球院線的同一時刻，另一群人做成了一件更瘋狂的事——

他們用AI實時「生成」了這個走不到頭的黃色房間，還讓你能親自走進去。

只需上傳一張圖片，讓AI生成圖中的世界，一個新世界的「大門」就打開了。

全程60秒，孤身一人徘徊在無邊無際的黃色房間時，那種身臨其境的戰栗與恐懼，將直擊靈魂。

實現這一刻的，就是今天正式開源的全新一代「實時交互世界模型」——LingBot-World 2。

如今，2.0一經發布，迅速空降Reddit熱榜，其顛覆性的實力讓全網為之驚嘆。

一個走不到頭的黃色房間，AI讓它「活」了過來。

它的誕生證明了一件事：AI已經不滿足于僅僅「生成一個世界」，它現在要做的，是實時「運行一個世界」。

這一次，世界自己長了出來

• 從「十分鐘」到「小時級」，一個不停機的世界

LingBot-World 2.0最直觀的進化，率先體現在時間維度上。

一直以來，視頻世界模型都有個備受詬病的頑疾——「長時漂移」（Long-horizon Drifting）。

只要生成的時間軸一拉長，物體就開始扭曲、細節不可逆轉地塌陷、主體離奇消失、場景結構全線崩壞。

你剛剛建好的一棟房子，鏡頭轉一圈回來，原地就成了一片廢墟。一個連「記性」都沒有的模型，談何構建「世界」？

此前，LingBot-World 1.0憑借一套可擴展的數據引擎和多階段訓練，將連續無損生成做到了近十分鐘，初戰告捷；但這顯然不是終局。

這一次，2.0直接把度量單位換了：支持小時級時長的實時生成，且長時間運行畫質無可見衰減。

世界第一次能夠真正地「持續存在」，化身為一個永不停機的世界。

你可以直接把自己「生成」到雪山群峰的環抱之中。乘著滑翔傘，以第一視角翱翔在一片翠綠的山谷之上，迎面而來的，只有仿佛連綿不絕的真實視界。

上傳一張莫奈的《印象·日出》，隨著鏡頭不斷后撤，這幅原本扁平、靜止的油畫，竟直接向外生成出了一個立體的真實空間。畫外的港口、建筑與水波，全都被無縫補全。

不僅僅是時間維度的抗漂移，在物理空間的「錨定」上，2.0同樣展現出了同樣的嚴謹。

在神廟廢墟中，以第一視角不斷左右環顧。日光穿過石柱，光線變化如真實世界般自然，建筑群沒有出現任何模型常見的扭曲或形變。

騎馬穿越游戲世界，腳下的草地在實時演算并向后退去，但天際線外的巨型天體和遠方城堡卻始終屹立。每一次轉動視角，世界的反饋都嚴絲合縫。

• 720p/60fps實時生成，跨過「游戲級」門檻

如果說時長決定了世界的耐力，那么幀率就決定了世界的「手感」。

一個世界模型要真正做到「可玩」，畫面就必須對你的每一次操作給出即時反饋，慢半拍都會讓人瞬間出戲。

這里的生死線，是幀率和延遲。而LingBot-World 2.0極大地補齊了這塊短板——在720p的分辨率下穩定跑出60fps。

畫面跟著指令即時反饋，轉身、加速、急停，幾乎感覺不到延遲。

比如在「沙漠滑沙」這類高速移動的復雜場景中，它依然能保持近乎零延遲的實時演算與畫面更新。

哪怕是挑戰同時渲染「霸王龍逃生、火山噴發、隕石墜落且烈火蔓延」這種大片級的災難場景，也能精準拿捏極其復雜的動態光影與環境交互。

• 攻擊、射箭、施法，一句話改世界

橫亙在「逼真」與「世界」之間的另一道天塹，是交互太淺。

在1.0時代，你能對世界做的干預主要停留在移動和轉換視角，也就是簡單的WASD加鼠標。

到了LingBot-World 2.0，動作庫被大幅擴容，一口氣加入了攻擊、施法、射擊等復雜交互。

生成一個戴黑色尖頂帽、穿長風衣的巫師，背景設定在霧氣彌漫的城市街頭。

當你按下鍵盤觸發不同的「攻擊」指令時，上一秒還在雨中漫步的角色，下一秒就會猛然揮起魔杖，釋放出極具視覺沖擊力的華麗法術，將場景的沉浸感瞬間拉滿。

左右滑動查看

在令人血脈賁張的第一視角射擊游戲中，系統的動作解算能力更為硬核。

只需按下系統設定的「近戰」或「遠程」鍵，VLM就會根據你的交戰距離和戰況需求，實時為你「捏」出最契合的戰斗反饋。

伴隨著滿屏飛濺的火花與極具沖擊力的爆炸光影，你可以一路摧枯拉朽，直接轟殺襲來的重裝機甲、魔法巨獸，乃至正面硬剛長著巨翼的最終Boss。

與此同時，它還支持更豐富的，由文本驅動的事件注入——你可以通過直接打字來改寫世界。

從「能移動」到「能行動」，世界模型的交互維度被徹底打開了。

當探險家步入幽暗的洞穴時，你可以在控制臺的輸入框里寫下「突然出現一群蝙蝠」。接下來，好戲開場。

只見，一群蝙蝠就會立刻從深處撲面而來，與角色產生極為真實的物理互動。

在控制臺敲下一句「變成冰窟」。眼前的巖洞就會在一瞬間凍結成湛藍的冰晶，一個全新的極寒秘境轟然敞開，任由NPC自由探索。

更有趣的是，在用Prompt構建整個初始世界的時候，甚至能直接把「交互規則」一并給做出來。

比如，當你創造一只在云海上滑翔的雄鷹時，可以同步在設定中寫明：將「翅膀閃耀」、「風暴襲來」、「急速側轉」等特定的干預事件，分別綁定在鍵盤的 1、2、3 鍵上。

• 內置Agent，讓世界自己「長」起來

在2.0之前，幾乎所有實時世界模型，都共享一個隱藏的默認設定：世界是被動的。

一旦失去外部輸入，整個世界就會像按下暫停鍵的電影，瞬間陷入停滯。

2.0在這里裝上了一顆會自己跳動的「心臟」，稱之為Agentic Harness。

于是，世界第一次擁有了自主性：你不操作，它也會自己往前演化。天氣會變，角色會動，新的事件會不請自來，它主動propose新的可能。

我們僅僅是上傳一張靜止的油畫，故事便開始了自我繁衍：

不一會兒，畫中的服務員端上了咖啡，街邊開始出現熙熙攘攘的路人、穿梭的車輛。

一個畫中的世界，正在真實地「長」出來。

一套雙層設計，同時拿下「長」與「快」

LingBot-World 2.0能讓世界活起來，背后真正的核心，深植在「因果」二字里。

幾乎同一時間，螞蟻團隊放出了一份技術報告，讓我們一起深扒背后的原理。

技術報告開宗明義，引用了大衛·休謨《人性論》的一句話——原因必先于結果。

因果推理的第一原則是：結果永不先于原因，未來由過去塑造，反之則不成立。

這一次，2.0把這條哲學原則，直接寫進了架構。

它把世界模擬形式化為一個沿時間軸的因果生成過程：每一個狀態，只依賴它的歷史上下文與當前輸入。

團隊在訓練全程原生地強制這種「因果性」。

在此之上，是一套「教師-學生」的兩階段設計，堪稱整篇論文的骨架。

第一階段是預訓練，先煉一個「教師」。

一個能長時間穩定、且能被動作精確控制的「因果世界模型」。

為了對付前面那只漂移虎，團隊設計了一種叫MoBA（雙向與自回歸混合）的注意力掩碼。

通俗說，就是在保證「只能看過去、不能偷看未來」的前提下，又給模型補了一點全局視野，專門用來抑制長序列里的過擬合和畫質塌陷。

這一步換來的，是報告反復強調的一個詞：抗漂移（anti-drifting）。

但光有一個強大的「教師模型」還不夠，它太慢，沒法實時生成。

于是第二階段后訓練階段，再蒸餾出一個「學生」。

即用一致性蒸餾把去噪步數大幅壓縮，再用「分布匹配蒸餾」（DMD）提升畫質、壓制漂移。

最關鍵的是，模型自己長時間跑出來的軌跡上做校正，進一步壓住累積誤差。最終，它能在720p分辨率、60fps幀率下，撐起一個永遠不必結束的可交互世界。

而這套設計究竟成不成，論文給了一個近乎「耐力賽」的證據——

長達一小時，跨越20個不同場景，從竹林運河一路走到月宮、地球之窗，全程畫質沒有可見的衰減。

因此，它的穩定，是一種結構性的屬性，而非某段「運氣好」的短片才有的曇花一現。

裝上大腦與小腦

讓「死」的世界活過來，也是LingBot-World 2.0真正想講的故事。

為此，它裝了一顆會自己跳動的「心臟」，團隊將其稱之為Agentic Harness。這是一套很妙的「大腦—小腦」協同架構。

• 一個視覺語言模型（VLM）當「大腦」，負責宏觀的語義規則與因果推理。它持續觀察當前畫面、預判用戶行為的邏輯后果，然后拋出一個個明確的「事件提案」。

• 而底層的視頻生成模型（DiT）當「小腦」，負責把這些語義決策落地成符合物理直覺、連貫流暢的畫面。

大腦想，小腦做，一個負責「接下來該發生什么」，一個負責「把它畫出來」。

因此，這套框架里跑著兩個各司其職的Agent：Pilot Agent + Director Agent。

• Pilot Agent，負責規劃和執行角色的行為；

• Director Agent，像一位隱形的導演，在場景推進的過程中，基于當前世界的狀態，實時生成并注入新的事件與環境元素。

一個當演員，一個當導演，兩者合力，把一個「逐幀預測器」真正變成了一個像模像樣的世界：

自我維持、目標驅動、開放無盡，沒有誰在背后逐幀寫好劇本。

而人類和這個世界打交道的方式，也一下子豐富了起來。

一種是「直接語義交互」：做個動作，大腦就地判斷合不合物理常識、該發生什么后果。

另一種是「物體級交互」：借助SAM分割追蹤，選中場景里某個具體物體，對它單獨下指令，系統會一路追蹤它、保持空間一致。

于是，一個雙向演化的循環第一次真正閉合——

你的每一次動作都在改寫世界狀態，而「大腦」又根據新的世界狀態，不斷拋回新的事件與意外。

你影響世界，世界回應你，再反過來給你驚喜。

從「被動響應」到「主動演化」，這是LingBot-World 2.0與所有停留在「生成」層面的模型之間最深的一道分水嶺。

一個「活世界」，能長出多少種未來？

當世界能持續運行、能自我演化、能多人共享，它的價值就遠不止「好玩」兩個字。

最先被點亮的，大概是游戲和創作。

過去做一款開放世界，得靠一支團隊一磚一瓦把地圖、劇情、事件全都預先寫死。

而在LingBot-World 2.0里，直接開一臺服務器，讓世界自己生長，劇情不必事先編排，玩家走到哪，世界就演化到哪。

對創作者來說，這幾乎換了一門手藝：與其逐幀去摳畫面，不如像導演一樣，用一個個Action和Event去調度一個會自己運轉的片場。

屏幕之外，一個能持續演化、事件豐富、還能隨你交互的虛擬世界，恰恰是機器人夢寐以求的訓練場。

真實世界里，讓機器人試錯一次的成本高得嚇人；而在一個高保真的「數字演練場」里，它可以低成本地跑上千萬次。

自動駕駛，同樣如此。

AI世界能把一些極端情況造出來，讓車在虛擬馬路上反復練，練到形成「肌肉記憶」。

等它真正上路那天，這些要命的瞬間，它早在數字世界里經歷過千百回了。

而對學術圈來說，2.0更是一塊難得的「公共地基」——一個開源的、事件驅動的、會自我演化的世界底座，誰都可以拿去接著往下研究。

多人同服，1.3B單卡可跑

Lingbot-World 2.0還專門開發了一套接口，支持多人同時進入同一個世界。

這一次，2.0一共提供了兩個開源版本——

一個是14B主模型，面向最強畫質、研究驗證與復雜交互世界；

另一個是1.3B輕量模型，專為普及而生，一張消費級顯卡就能輕松部署。

主模型負責把能力上限頂到最高，輕量模型負責把社區可用性拉到最廣，二者兼顧，誰都不落下。

如今，Lingbot-World 2.0權重、代碼與在線體驗入口，都已隨論文一并放出——

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

在線體驗地址：

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

Tech Report：

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

另外，所有人還能通過螞蟻靈光App的「世界模型」功能，在手機上直接走進這個AI世界。