Robbyant تطلق LingBot-World-Infinity: نموذج سببي للعوالم التفاعلية
أطلقت الذراع الروبوتية لشركة Ant Group نموذج LingBot-World-Infinity، وهو نموذج فيديو سببي يضم 14 مليار معامل. يولّد النموذج الفيديو في الزمن الحقيقي (720p، 60fps) ويستجيب للأوامر: الأوامر النصية وحركات الكاميرا والأفعال القتالية والتعاويذ. وتعمل نسخته الخفيفة (1,3B معامل) على وحدة GPU واحدة. أبرز ما في النموذج هو وضع الوكيلين: يتولى Director-VLM إدارة الدلالات، بينما يحاكي Pilot-Transformer الفيزياء.
معالج بواسطة الذكاء الاصطناعي من MarkTechPost؛ بتحرير Hamidun News
في 9 يوليو 2026 قدّمت Robbyant، التابعة لشركة Ant Group، نموذج LingBot-World-Infinity، وهو نموذج فيديو سببي يضم 14 مليار معامل ويعمل كمحاكٍ تفاعلي للعوالم. وأبرز ما يميّزه أنه يولّد الفيديو في الزمن الحقيقي (720p، 60 إطارًا في الثانية) ويستجيب لأوامر المستخدم.
ما هو هذا النموذج ولماذا هو مهم
يمثّل LingBot-World-Infinity (الإصدار 2.0 من سلسلة LingBot-World) نموذج فيديو تفاعليًا يتنبأ بالإطارات المستقبلية للفيديو استنادًا إلى أفعال المستخدم. ويعالج النموذج في آن واحد الأوامر النصية وموضع الكاميرا الافتراضية والأفعال الفيزيائية للشخصية: إطلاق النار والتعاويذ والهجمات والرماية بالقوس.
ويعالج ذلك مشكلتين كلاسيكيتين في نماذج الفيديو: تدهور الجودة تدريجيًا في الفيديوهات الطويلة (تتلاشى الخامات وتتشوّه الهندسة)، وتأخر الاستجابة (لا يلحق النموذج بالاستجابة في الزمن الحقيقي).
- النسخة الأساسية: 14 مليار معامل
- النسخة الخفيفة: 1,3 مليار معامل، وتعمل على وحدة GPU واحدة
- الأداء: فيديو بدقة 720p وبسرعة 60 إطارًا في الثانية
- التفاعل: وضعان، الأوامر الدلالية المباشرة وتتبّع الكائنات عبر SAM
كيف تعالج النسخة التدهور: بنية MoBA
يقوم جوهر التقنية على انتباه من نوع MoBA (Mixture of Bidirectional and Autoregressive). تكمن مشكلة النماذج الانحدارية الذاتية التقليدية في أنه كلما اتسع السياق، بدأ النموذج يعتمد عليه بدلًا من التنبؤ بإطارات جديدة، فتتدهور الجودة وتصبح الصورة ضبابية.
تضيف MoBA كتلة انتباه ثنائية الاتجاه بوصفها عنصر تنظيم. ويساعد ذلك النموذج على التنبؤ بالمستقبل اعتمادًا على كل المعلومات المتاحة، لا على السياق الأقرب فحسب.
أما المكوّن الثاني فهو تدريب على مرحلتين مع تقطير التوزيعات (DMD). يتدرب النموذج أولًا على التوليد الشرطي للتدفق، ثم يُضغط المعلّم متعدد الخطوات إلى نسخة سريعة. والنقطة الحاسمة هنا أن تحسين التقطير يُطبَّق على مسارات طويلة من تنبؤات النموذج نفسه، لا على أمثلة المعلّم وحدها. وهذا يجبر الطالب على التحسّن ضمن توزيع الحالات ذاته الذي يولّده بنفسه، فيمنع التدهور التدريجي.
الوضع التفاعلي: Director وPilot
يعمل LingBot-World-Infinity ضمن إطار Director-Pilot Co-Simulation Framework، وهو نظام من وكيلين متفاعلين. Director هو نموذج لغوي بصري (VLM) يفهم الدلالات والسببية ويتخذ القرارات. أما Pilot فهو Diffusion Transformer يحاكي الفيزياء ويرسم إطارات الفيديو.
يدعم النظام وضعين للتفاعل. ففي وضع Direct Semantic Interaction يقرأ VLM الإطار الحالي ويولّد الأحداث دون الحاجة إلى أقنعة الكائنات. وفي وضع Tracking-Assisted Object Interaction يتتبّع نموذج SAM (Segment Anything Model) الكائنات المطلوبة، فيختار المستخدم كائنًا ويطلق فعلًا عليه (مثل فتح باب أو تدوير كرة).
إضافة إلى ذلك، يستطيع المستخدمون تغيير الحالة العامة للمشهد (وقت اليوم والطقس) وإضافة كائنات عبر الأوامر النصية. ويختار VLM تلقائيًا المواضع الصحيحة دلاليًا لظهورها.
ماذا يعني ذلك
يُظهر LingBot-World-Infinity أن محاكيات الفيديو التفاعلية تنتقل من المختبرات البحثية إلى الأدوات العملية. وتفيد هذه الأنظمة في تطوير محركات الألعاب وتدريب الروبوتات عبر المحاكاة وتصميم واجهات المستخدم. ويجعلها تحسّن الأداء في الزمن الحقيقي مناسبة للاستخدام الصناعي.
أسئلة وأجوبة حول الخبر
ما أبرز التفاصيل حول ما هو هذا النموذج ولماذا هو مهم؟
يمثّل LingBot-World-Infinity (الإصدار 2.0 من سلسلة LingBot-World) نموذج فيديو تفاعليًا يتنبأ بالإطارات المستقبلية للفيديو استنادًا إلى أفعال المستخدم. ويعالج النموذج في آن واحد الأوامر النصية وموضع الكاميرا الافتراضية والأفعال الفيزيائية للشخصية: إطلاق النار والتعاويذ والهجمات والرماية بالقوس. ويعالج ذلك مشكلتين كلاسيكيتين في نماذج الفيديو: تدهور الجودة تدريجيًا في الفيديوهات الطويلة (تتلاشى الخامات وتتشوّه الهندسة)، وتأخر الاستجابة (لا يلحق النموذج بالاستجابة في الزمن الحقيقي). النسخة الأساسية: 14 مليار معامل النسخة الخفيفة: 1,3 مليار معامل، وتعمل على وحدة GPU واحدة الأداء
ما أبرز التفاصيل حول كيف تعالج النسخة التدهور: بنية MoBA؟
يقوم جوهر التقنية على انتباه من نوع MoBA (Mixture of Bidirectional and Autoregressive). تكمن مشكلة النماذج الانحدارية الذاتية التقليدية في أنه كلما اتسع السياق، بدأ النموذج يعتمد عليه بدلًا من التنبؤ بإطارات جديدة، فتتدهور الجودة وتصبح الصورة ضبابية. تضيف MoBA كتلة انتباه ثنائية الاتجاه بوصفها عنصر تنظيم. ويساعد ذلك النموذج على التنبؤ بالمستقبل اعتمادًا على كل المعلومات المتاحة، لا على السياق الأقرب فحسب. أما المكوّن الثاني فهو تدريب على مرحلتين مع تقطير التوزيعات (DMD). يتدرب النموذج أولًا على التوليد الشرطي للتدفق، ثم يُضغط المعلّم متعدد الخطوات إلى نسخة سريعة. والنقطة ال
ما أبرز التفاصيل حول الوضع التفاعلي: Director وPilot؟
يعمل LingBot-World-Infinity ضمن إطار Director-Pilot Co-Simulation Framework، وهو نظام من وكيلين متفاعلين. Director هو نموذج لغوي بصري (VLM) يفهم الدلالات والسببية ويتخذ القرارات. أما Pilot فهو Diffusion Transformer يحاكي الفيزياء ويرسم إطارات الفيديو. يدعم النظام وضعين للتفاعل. ففي وضع Direct Semantic Interaction يقرأ VLM الإطار الحالي ويولّد الأحداث دون الحاجة إلى أقنعة الكائنات. وفي وضع Tracking-Assisted Object Interaction يتتبّع نموذج SAM (Segment Anything Model) الكائنات المطلوبة، فيختار المستخدم كائنًا ويطلق فعلًا عليه (مثل فتح باب أو تدوير كرة). إضافة إلى ذلك، يستطيع
Access Frontier LLMs & Multimodal AI in One Workspace
Discover NomadNet AI (nomadnet.ai) — unified access to frontier language models, research synthesis, and multimodal workflows.
أهم ما في عالم الذكاء الاصطناعي — مرة كل أسبوع
سبع قصص مهمة فعلاً هذا الأسبوع، مختارة بعناية. بلا ضجيج ولا بيانات صحفية.
تم! تحقق من بريدك للتأكيد.