夜雨聆风刷到过这种AI视频吗：光影美得像大片，下一秒手却穿模穿过了杯子；水杯被碰倒的瞬间，水没洒，人也没湿；镜头一晃，桌上的苹果自己挪了个位置。
大部分人看到这种画面，顶多一笑，划走。人脑会自动脑补：哦，他在拿杯子。
机器人可没有这种"脑补"能力。具身智能的策略网络要是把这种穿模、瞬移当成真实物理去学，学错的物理会变成实实在在的后果，一次错误的抓取力矩，一次打翻杯子的轨迹。
2026年7月10日，研究社区账号alphaXiv（@askalphaxiv）转发了一篇论文，把这个行业心照不宣的尴尬点破了：
"As most video models learn appearance, this paper LingBot-Video tries to learn action, motion, and physical cause-and-effect."
「多数视频模型学的是外观，而这篇论文里的LingBot-Video，想学的是动作、运动与物理因果。」
后面还补了一句更狠的判断：
"So they basically turned a video model into a world model for embodied intelligence."
「他们等于把一个视频模型，改造成了服务具身智能的世界模型。」
▲ alphaXiv用"外观 vs 动作/运动/物理因果"的对立，把论文核心矛盾摆上台面，这条推文约70赞、32书签、4.4k浏览。
谁在做这件事
把话筒往前推一步，真正的源头是蚂蚁集团关联的具身智能团队Robbyant。7月8日深夜，官方账号@robbyant_brain发帖开源LingBot-Video，自称"首个面向具身智能的MoE视频基础模型"。
三条卖点排得很密：总参数300亿，推理时只激活30亿；在大规模互联网视频预训练之上，叠加了7万小时具身数据；在RBench基准上，已经超过Wan2.6、Seedance 1.5 Pro和Cosmos3 Super。
这条推文的互动数据也不低调，发布约一天后浏览量冲到114.8万，拿到1099个赞、245次收藏。同一周，Robbyant还连续放出了Depth、Vision、VLA、World等好几个模型，LingBot-Video是这场开源周里负责"看懂世界"的那一块。
▲ 官方账号@robbyant_brain的开源主帖，三条卖点加一段demo视频，浏览量后来突破114万。
一个视频模型，为什么突然要懂物理
先把两个陌生词拆开讲。
具身智能说的是机械臂、人形机器人、四足机器人这类有身体的智能体，要在真实世界里看、想、动，跟聊天写代码那种纯粹动脑子的AI是两个物种。视频模型在这里扮演的角色，是帮它们提前"想象"：伸出夹爪去够杯子，杯子会不会被碰倒？
MoE，也就是混合专家，是解决"模型太大养不起"的老办法。把一个模型拆成很多"专家"子网络，每次只喊几个专家出来干活。打个比方：图书馆藏书很多，总参数摆在那儿看着唬人，但每次借阅只需要几位馆员出来找书，不用全馆员工同时上岗。LingBot-Video旗舰版本总参数300亿，真正干活的只有30亿。
论文摘要点出了症结：现在的视频生成模型，设计目标是内容创作，追的是视觉保真度和创意，计算效率和物理真实感从来排不上优先级。给人看电影和给机器人当教材，评分标准完全是两码事。
三板斧：架构、数据、奖励一起换
Robbyant在解释帖里把方案拆成三条线，配了一张架构图。
架构上，LingBot-Video把视觉信号和文本条件拼进同一条序列，让每一层都能互相"看见"。混合专家部分算的是长视频的算力账：在百万token量级的序列长度上，MoE 30B-A3B相对同体量的稠密30B模型，速度比能到3.18倍，官方对外把这个数字简化成了"约3倍推理效率"。具体到专家路由，常备的共享专家托底通用能力，按需调用的路由专家负责专项能力，还加了一层序列级负载均衡，防止某条长视频内部悄悄只用一两个专家干活。
数据上，7万小时只是个总数，真正的功夫在配比。团队搭了一套数据剖析引擎，给每条视频打上结构、语义、运动、镜头语言、质量美学多重标签，再用一张知识拓扑图识别哪些动作、哪些接触场景稀缺，针对性上采样。训练课程分五个阶段推进，到第四阶段，团队做了一件毫不客气的事：通用互联网视频狠狠地筛，具身视频反而放宽标准，用人为倾斜的采样比例把分布推向"懂物理"的一侧。这一步比7万小时这个数字本身更值得记，它说明团队认定，互联网视频规模再大，也补不上具身能力这块的稀缺。
训练目标上，论文提出多维奖励系统，把物理合理性和任务完成度，提到了跟美学、指令跟随同一个量级去优化。社区技术拆解进一步列出六个打分维度，从画面质量、文本对齐，到动态程度、运动连贯性、人体动作一致性，再到物理合理性，一起进同策略强化学习的评分表。
▲ 官方解释帖里的架构与数据示意图：左边是数据剖析引擎的五重标签体系，右边是稀疏MoE的路由结构。
战绩：0.620分排第一，却没有全面碾压
北京大学与字节跳动相关的RBench，专门评估视频模型在机器人相关行为生成上的物理落地能力，涵盖操作、空间、长程任务、单双臂、四足、人形等多个分项。
官方给出的平均分是0.620，排在Wan2.6（0.607）、Seedance 1.5 Pro（0.584）、Cosmos3 Super（0.581）前面。操作、长程任务、四足这几项，LingBot-Video领先得比较明显，四足分项打到了0.758。
平均分靠前不等于每一项都赢。空间理解、多实体场景、推理这几个分项，Wan2.6或者Seedance拿到的分数反而更高。这张榜单更适合的读法是：在机器人行为的物理落地类指标上，LingBot-Video整体靠前，而且是开源阵营里唯一挤进第一梯队的选手。
▲ 官方公布的RBench对比数字，附Model/Code/Paper三个链接，LingBot-Video现已完全开源。
社区在争什么
评价标准被重新提起了争议。开发者@Shruti_0810发帖说：
"Instead of asking 'Does it look realistic?' Maybe we should ask: 'Can it predict what should happen next?'"
「与其问它看起来真不真实，或许该问的是，它能不能预测接下来该发生什么。」
这条推文拿到了99个赞、30次转发。
▲ @Shruti_0810把评价标准从"看着真不真实"拨到"能不能预测接下来该发生什么"，拿到99赞、30转发。
另一位开发者@Origin_AI_01的判断更干脆：
"This feels like infrastructure for embodied AI, not just another video model."
「这已经是具身智能的基础设施规格，早就超出了"又一个视频模型"的范畴。」
质疑声也没有缺席。开发者@_Suresh2在种子推底下泼了一盆冷水：
"70k hours of robot data, but half of it is just the same tabletop task filmed five ways."
「七万小时机器人数据，其中一半可能只是同一个桌面任务，换了五种角度拍了五遍。」
这句话戳中的是行业老问题，公开的机器人数据集常常高度重复，同一张桌子、同一个夹爪、同一束光。团队用知识拓扑图做重平衡来回应"有效多样性"这件事，但第三方对7万小时数据分布的独立审计，眼下还没有公开报告可查。
▲ @_Suresh2在种子推下的回复，质疑7万小时具身数据的真实多样性，互动量不高，但代表了一类行内直觉。
它算不算"机器人大脑"
这里有必要先划清边界。
把LingBot-Video塞进机器人、让它自己去叠衣服，眼下还做不到。它扮演的角色，是给下游动作模型、规划系统打底的一层视觉动力学预训练，负责让"想象"这件事更懂物理。真正的关节指令、抓取力矩，还要靠动作接口和策略模型往下一层去接。
同一个产品家族里，LingBot-World负责交互式世界仿真，LingBot-VA负责视频到动作的策略闭环，LingBot-Video负责的是最基础的那一层，视频怎么生成，生成得像不像真实世界的物理规律。三条产品线的成绩单不能混着算，也不该被简化成同一个东西。
这套逻辑其实似曾相识。十年前，计算机视觉靠ImageNet预训练打通了下游一大片任务；这几年，大语言模型经历了从"写得漂亮"到"过程可验证"的目标转向。机器人视频预训练，走的是同一条老路，先立起一个足够通用的基础模型，再让整条产业链在它肩膀上往前搭。
至于要不要跟进，门槛写得很实在：Apache-2.0协议对商业使用友好，权重挂在Hugging Face和ModelScope上，采集时GitHub标星约628。但真要跑起来，提示词重写、负提示、多卡并行、混合专家推理运行时，一长串环境变量一个都少不了。开源基础模型时代，"能下锅"和"会炒"从来是两件事。
▲ Robbyant官网上的LingBot-Video首屏，标注"首个面向具身智能的开源MoE视频基础模型"。
写在最后
生成式视频第一次让普通人惊叹"AI居然会拍电影"的时候，机器人研究者盯着的是另一件事：这些模型对世界怎么运转的理解，常常只是一层好看的皮。
LingBot-Video想做的，是把皮下面的筋骨，动作、运动、物理因果，也写进一个开源的混合专家模型里。用稀疏计算换容量，用7万小时具身数据换接地，用多维奖励换掉"好看优先"的老目标函数，再在机器人相关评测上拿出一份能查证的成绩单。
它能不能成为机器人行业默认的预训练权重，还需要更多真机验证来回答。但这次开源已经标出了一个挺清楚的路标：视频模型的下一场竞赛，正悄悄从比谁更像好莱坞，挪到比谁更像真实世界。
