夜雨聆风向前走，画面会继续生成前方的道路和空间。
转动视角，刚才看不到的区域随之出现。
按下动作键，角色可以近战、远程射击或滑翔。再注册一个文字事件，天色可以变暗，场景也可以下起雪。
这些画面不是依次播放事先做好的分支片段。系统收到动作和事件后，再继续生成下一段画面。
过去的 AI 视频生成完就固定了。这里，方向键、动作键和文字事件都进入了生成过程。
Robbyant Team 发布的 LingBot-World 2.0 就在做这件事。它是一个交互式世界模型：从一张起始图片出发，模型根据文字描述、当前画面和新的控制输入，继续生成后续视频帧。
官方演示涉及移动、视角控制、攻击、射箭、施法、射击和文字驱动事件。项目页和 GitHub 上都有短视频，同时提供 Reactor 网页和 LingGuang 移动端体验入口。
论文于 2026 年 7 月 8 日提交，项目于 7 月 9 日宣布公开技术报告、推理代码和模型。
动作要在生成过程中继续生效
一般的 AI 视频工具收到图片和提示词后，可以把一段短视频整体生成出来。生成结束，内容也就固定了。
交互式系统在运行过程中还要接收新的动作，同时处理三件事：响应要足够快，按键和画面不能明显脱节；新画面要接得上旧画面，走几步之后房间、人物和物体不能突然换一套；生成还要持续往后走，不能到固定秒数就停。
当前公开代码采用因果推理和 KV Cache，按小段连续处理视频帧。每一段新画面都要参考前面的视觉内容和刚收到的控制输入。
官方完整系统做到了什么
项目方称 LingBot-World 2.0 实现了 unbounded interaction horizon，系统可以持续接收动作并往后生成。论文还展示了一次超过一小时的连续生成，包含 20 个不同场景，并把它作为长时稳定性的定性测试。这是项目方自己的测试结果，不是 AIMPC 的独立实测。
速度方面，项目方称完整实时系统可以支撑 720p、60fps。交互也不只限于移动镜头，还包括攻击、射箭、施法、射击，以及下雪、昼夜变化和加入新对象等文字事件。
论文里的 Director-Pilot 机制也比“两个 Agent 分工”更具体：Director 是视觉语言模型，负责读取当前场景并提出事件变化；Pilot 是视频生成模型，负责把这些变化生成成连续画面。论文还展示了多人进入同一世界的交互界面。
看起来像游戏，还不是游戏引擎
成熟游戏引擎有明确的地图、资产、碰撞检测、角色状态和规则系统。LingBot-World 2.0 主要通过生成后续画面来表现动作结果，并没有因此获得一套稳定、可编辑的游戏状态。
论文自己的限制部分写得很具体。模型可以长时间保持画面连贯，却没有真正的长期记忆：一个区域离开上下文窗口后，再回去时往往会被重新生成，而不是从记忆里还原。
长时间运行后，角色外观和整体风格也可能慢慢变化。
它对物理规律的理解同样来自像素，没有显式的几何和碰撞机制。人物与物体偶尔可能互相穿过，而不是像真实世界那样发生碰撞。
因此，连续生成一小时和拥有一个可以反复回访、规则稳定的世界，并不是同一件事。
当前公开的是 14B 快速版
目前已经公开的是 14B causal-fast 模型权重、推理代码和技术报告，Hugging Face 与 ModelScope 都有下载入口。
官方 Quick Start 基于 Wan2.2，需要 PyTorch 2.4 以上和 FlashAttention。当前示例给出的是 480P、多 GPU 推理，命令通过 torchrun --nproc_per_node=8启动 8 个进程。
前面提到的 720p、60fps 属于完整实时系统，不是当前开源 Quick Start 在一般电脑上的运行效果。
论文摘要还写到一个 1.3B 轻量版可以单卡部署，但截至核验时，项目的 TODO 列表仍把 1.3B 模型标为未公开。项目也明确写明不计划开放部署代码。
代码和模型采用 CC BY-NC-SA 4.0，只允许非商业使用。
我们现在能用到什么
如果你不想安装 14B 模型，可以先通过 Reactor 网页或 LingGuang 移动端体验实时版本。README文档里也同时提醒，这两个入口是方便体验的第三方版本，与项目方完整配置下的能力可能不同。
我们可以借它来观察动作、角色行为和环境事件怎样进入同一段生成过程，但它目前不适合替代正式的剪辑、建模和游戏开发流程。
开发人员也可以下载 14B 模型和推理代码，研究动作控制、连续生成和缓存机制。官方示例按多 GPU 配置给出，实际门槛并不低，还要遵守非商业许可。
它和机器人有什么关系
机器人执行动作前，也需要判断动作之后环境可能怎样变化。世界模型研究的正是“当前状态加动作，预测后续状态”这类能力。
但 LingBot-World 2.0 当前展示的重点是交互式视觉世界，不直接输出机器人控制指令，也不能据此当成可靠的机器人训练环境。
Robbyant 同期还公开了 LingBot-VLA 2.0。官方资料写明，它的预训练数据约 60,000 小时，其中 50,000 小时机器人轨迹覆盖 20 种机器人配置，另有 10,000 小时第一视角人类视频。直接面向真实机器人应用的是这条 VLA 线。
判断这种系统，可以问一个很具体的问题：离开一个房间再回来，它记住的是同一个地方，还是重新生成了一个相似的地方？
能一直往前生成，和能记住你走过的世界，还不是一回事。
资料链接：
LingBot-World 2.0 项目： https://github.com/Robbyant/lingbot-world-v2
项目页： https://technology.robbyant.com/lingbot-world-v2
论文： https://arxiv.org/abs/2607.07534
Hugging Face 模型： https://huggingface.co/robbyant/lingbot-world-v2-14b-causal-fast
ModelScope 模型： https://modelscope.cn/models/Robbyant/lingbot-world-v2-14b-causal-fast
Reactor 在线体验： https://www.reactor.inc/lingbot-world-v2
LingGuang 移动端入口： https://www.lingguang.com/support
LingBot-VLA 2.0： https://github.com/Robbyant/lingbot-vla-v2
LingBot-VLA 2.0 论文： https://arxiv.org/abs/2607.06403