Robbyant выпустила LingBot-World-Infinity — каузальную модель для интерактивных миров

El 9 de julio de 2026, Robbyant, una división de Ant Group, presentó LingBot-World-Infinity — un modelo de vídeo causal con 14 mil millones de parámetros que funciona como simulador de mundos interactivos. La característica clave: el modelo genera vídeo en tiempo real (720p, 60 fotogramas por segundo) y responde a comandos del usuario.

Qué Es Esto y Por Qué Es Importante

LingBot-World-Infinity (versión 2.0 de la serie LingBot-World) — un modelo de vídeo interactivo que predice fotogramas de vídeo futuros en función de las acciones del usuario. El modelo procesa simultáneamente comandos de texto, posición de cámara virtual y acciones físicas del personaje: disparo, hechizos, ataques, tiro con arco.

Esto resuelve dos problemas clásicos de los modelos de vídeo: la degradación de calidad en vídeos largos (las texturas se desdibujan, la geometría se distorsiona) y la latencia de respuesta (el modelo no puede reaccionar en tiempo real).

• Versión principal: 14 mil millones de parámetros
• Versión ligera: 1,3 mil millones de parámetros, se ejecuta en una única GPU
• Desempeño: vídeo 720p, 60 fotogramas por segundo
• Interacción: dos modos — comandos semánticos directos y seguimiento de objetos mediante SAM

Cómo Resuelve la Degradación: Arquitectura MoBA

El núcleo de la tecnología es la atención tipo MoBA (Mixture of Bidirectional and Autoregressive). El problema con modelos autorregresivos estándar: a medida que crece el contexto, el modelo comienza a depender de él en lugar de predecir fotogramas nuevos, causando degradación de calidad y desenfoque de imagen.

MoBA añade un bloque de atención bidireccional como regularizador. Esto ayuda al modelo a predecir el futuro confiando en toda la información disponible, en lugar de solo en el contexto más cercano.

El segundo componente es el entrenamiento en dos etapas con destilación de distribuciones (DMD). Primero, el modelo se entrena en generación de flujos condicional, luego el maestro multi-paso se comprime en una versión rápida. El punto crítico: la optimización de destilación se aplica a largas trayectorias de las propias predicciones del modelo, no solo a ejemplos del maestro. Esto obliga al estudiante a optimizarse en la misma distribución de estados que genera, previniendo la degradación.

Modo Interactivo: Director y Pilot

LingBot-World-Infinity opera dentro del Director-Pilot Co-Simulation Framework — un sistema de dos agentes interactuantes. El Director es un modelo de vídeo-lenguaje (VLM) que entiende semántica, causalidad y toma decisiones. El Pilot es un Diffusion Transformer que simula física y renderiza fotogramas de vídeo.

El sistema admite dos modos de interacción. En modo Direct Semantic Interaction, el VLM lee el fotograma actual y genera eventos sin requerir máscaras de objetos. En modo Tracking-Assisted Object Interaction, el modelo SAM (Segment Anything Model) rastrea objetos de interés, el usuario selecciona un objeto e inicia una acción (por ejemplo, abre una puerta o rota una pelota).

Además, los usuarios pueden usar comandos de texto para cambiar el estado global de la escena (hora del día, clima) y añadir objetos. El VLM selecciona automáticamente posiciones semánticamente apropiadas para su aparición.

Lo Que Esto Significa

LingBot-World-Infinity demuestra que los simuladores de vídeo interactivos están haciendo la transición de los laboratorios de investigación a herramientas prácticas. Tales sistemas son útiles para el desarrollo de motores de juegos, entrenamiento de robótica mediante simulación y diseño de interfaces de usuario. El creciente desempeño en tiempo real los hace adecuados para aplicaciones industriales.