LingBot-Video：具身智能混合专家视频预训练模型 AI视频终于懂物理了

这份技术文档介绍了 LingBot-Video，这是首个面向具身智能的大规模开源混合专家（MoE）视频生成模型。研究团队针对传统视频模型在物理真实性和计算效率上的不足，采用扩散转换器（DiT）架构结合稀疏 MoE 设计，实现了模型容量与推理成本的平衡。通过构建包含机器人操作和第一视角数据的增强型语料库，该模型能够更深刻地理解真实世界的动力学规律。此外，项目引入了多维奖励系统，在追求视觉美感的同时，重点强化了对物理合理性和任务达成度的对齐。实验证明，该架构在扩展至 1200亿参数时仍表现出优异的性能与效率，成功搭建了数字创作与物理动作执行之间的桥梁。