Robbyant, l’unita’ di embodied intelligence di Ant Group, ha rilasciato LingBot-World-Infinity (LingBot-World 2.0), un modello di generazione video causale che si comporta come un simulatore di mondo interattivo: genera i frame uno alla volta, condizionati da uno stream di azioni dell’utente, dove ogni stato dipende solo dai frame passati e dall’input corrente. L’azione combina una posa di camera (con Plucker embedding) e un prompt testuale. Il modello principale e’ da 14B, affiancato da una variante leggera da 1.3B descritta come eseguibile su una singola GPU.
Il contributo tecnico: MoBA contro il drift
Il cuore della proposta e’ la Mixture of Bidirectional and Autoregressive (MoBA) Attention Mask, pensata per affrontare il long-horizon drift, il fallimento che degrada texture e geometria nelle sessioni lunghe. Il team ha osservato che, con il classico teacher forcing, man mano che il contesto cresce il modello si appoggia a quel contesto invece di predire i frame futuri, con overfitting e calo di qualita’. MoBA aggiunge un blocco di full-attention bidirezionale che agisce da regolarizzatore e aiuta la generazione a lunghezza variabile.
Il post-training comprime il teacher multi-step in uno student a pochi step tramite consistency distillation e distribution matching distillation (DMD). Il dettaglio importante: la DMD viene applicata su lunghe traiettorie di self-rollout e non solo su stati teacher-forced, cosi’ lo student e’ ottimizzato sulla distribuzione di stati indotta dalle sue stesse predizioni. E’ questo il meccanismo dichiarato contro il drift.
L’harness agentico
Un frame predictor non gioca da solo. Robbyant lo avvolge in un Director-Pilot Co-Simulation Framework: un Vision-Language Model fa da Director e governa regole semantiche e ragionamento causale, mentre il Diffusion Transformer fa da Pilot e rende le dinamiche fisiche di basso livello. Sono previste due modalita’ di interazione, una puramente semantica (il VLM legge il frame e genera event card) e una assistita dal tracking basato su SAM. L’interfaccia segue le convenzioni dei videogiochi (WASD per il movimento, IJKL per la vista).
Cosa serve calibrare
Le aspettative vanno tarate. Oggi e’ scaricabile solo il checkpoint 14b-causal-fast; le altre varianti sono marcate come TODO. Lo script di riferimento gira a 480×832 su otto GPU, mentre il titolo da 720p a 60 fps richiede lo stack di deployment non rilasciato, che passa da un refiner spazio-temporale compilato in TensorRT. Il confronto con altri world model e’ qualitativo, basato su griglie di frame affiancate: una singola sessione ininterrotta di 60 minuti su 20 scenari, senza benchmark quantitativi come VBench o FVD. La licenza e’ CC BY-NC-SA 4.0, quindi non commerciale.
- MoBA piu’ DMD sui self-rollout e’ il vero contributo e attacca direttamente il long-horizon drift.
- L’harness Director (VLM) e Pilot (DiT) trasforma il predittore di frame in un simulatore interattivo.
- Il rilascio e’ piu’ magro del paper: un solo checkpoint, nessun benchmark quantitativo e licenza non commerciale.
Fonte: Meet LingBot-World-Infinity: An Open Causal World Model With An Agentic Harness — https://www.marktechpost.com/2026/07/09/meet-lingbot-world-infinity-an-open-causal-world-model-with-an-agentic-harness/
Hai qualcosa da aggiungere? Unisciti alla discussione.