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

Em 9 de julho de 2026, a Robbyant, divisão da Ant Group, apresentou LingBot-World-Infinity — um modelo de vídeo causal com 14 bilhões de parâmetros que funciona como um simulador de mundos interativos. A característica principal: o modelo gera vídeo em tempo real (720p, 60 quadros por segundo) e responde a comandos do usuário.

O Que É Isso e Por Que É Importante

LingBot-World-Infinity (versão 2.0 da série LingBot-World) — um modelo de vídeo interativo que prevê quadros de vídeo futuros com base nas ações do usuário. O modelo processa simultaneamente comandos de texto, posição de câmera virtual e ações físicas do personagem: disparo, feitiços, ataques, arquearia.

Isso resolve dois problemas clássicos dos modelos de vídeo: deriva de qualidade em vídeos longos (texturas desfocam, geometria se distorce) e latência de resposta (o modelo não consegue reagir em tempo real).

• Versão principal: 14 bilhões de parâmetros
• Versão leve: 1,3 bilhão de parâmetros, funciona em uma única GPU
• Desempenho: vídeo 720p, 60 quadros por segundo
• Interação: dois modos — comandos semânticos diretos e rastreamento de objetos via SAM

Como Resolve a Deriva: Arquitetura MoBA

O núcleo da tecnologia é a atenção tipo MoBA (Mixture of Bidirectional and Autoregressive). O problema com modelos autorregressivos padrão: conforme o contexto cresce, o modelo começa a depender dele em vez de prever novos quadros, causando degradação de qualidade e desfoque de imagem.

MoBA adiciona um bloco de atenção bidirecional como regularizador. Isso ajuda o modelo a prever o futuro confiando em todas as informações disponíveis, em vez de apenas no contexto mais próximo.

O segundo componente é treinamento em dois estágios com destilação de distribuição (DMD). Primeiro, o modelo é treinado em geração condicional de fluxo, depois o professor multi-etapas é comprimido em uma versão rápida. O ponto crítico: a otimização de destilação é aplicada a longas trajetórias das próprias previsões do modelo, não apenas a exemplos do professor. Isso força o aluno a se otimizar na mesma distribuição de estados que gera, evitando deriva.

Modo Interativo: Director e Pilot

LingBot-World-Infinity opera dentro da Director-Pilot Co-Simulation Framework — um sistema de dois agentes interagindo. O Director é um modelo de vídeo-linguagem (VLM) que compreende semântica, causalidade e toma decisões. O Pilot é um Diffusion Transformer que simula física e renderiza quadros de vídeo.

O sistema suporta dois modos de interação. No modo Direct Semantic Interaction, o VLM lê o quadro atual e gera eventos sem exigir máscaras de objetos. No modo Tracking-Assisted Object Interaction, o modelo SAM (Segment Anything Model) rastreia objetos de interesse, o usuário seleciona um objeto e inicia uma ação (por exemplo, abre uma porta ou gira uma bola).

Além disso, os usuários podem usar comandos de texto para alterar o estado global da cena (hora do dia, clima) e adicionar objetos. O VLM seleciona automaticamente posições semanticamente apropriadas para seu aparecimento.

O Que Isso Significa

LingBot-World-Infinity demonstra que simuladores de vídeo interativos estão transitando de laboratórios de pesquisa para ferramentas práticas. Tais sistemas são úteis para desenvolvimento de motores de jogos, treinamento de robótica por simulação e design de interfaces de usuário. O desempenho crescente em tempo real os torna adequados para aplicações industriais.