从 IFA 主舞台开始
2026 年 9 月柏林 IFA 开幕演讲，AMD 高级副总裁 Jack Huynh 讲完 Ryzen AI Max PRO 与个人 AI 笔记本 Sundance，最后用一台笔记本演示"一句 prompt 造一个世界"：镜头穿过中国小镇街巷，再拐进欧洲乡道，光影随视角变化，画面是实时生成、可以走进去的。驱动它的世界模型是 LingBot-World 2.0，来自蚂蚁集团旗下具身智能团队灵波科技（Robbyant）。
学术圈的隐形标尺
世界模型有个硬指标叫物体恒存：镜头移开再转回来，东西还在不在。南洋理工、清华、普林斯顿的联合团队拿它当记忆测试的试金石，比较 LingBot-World v2 与 LongLive、Self-Forcing、Causal Forcing。对象找回与场景重访测试里，灵波用完整历史生成的画面与目标画面 DINO 相似度约 0.68，另外三个约 0.26。这个差距直接让他们放弃其他候选，转而在灵波底座上做缓存压缩，最终 DeCoPrune 把历史 token 砍掉 85%、生成速度翻四倍多，相似度仍守住 0.67。
斯坦福视觉与学习实验室 10 月的 OpenWAM 想给世界-动作模型做统一对比框架，最后把 LingBot-VA 的 Transformer、文本编码器和分词器整套搬来当参考实现；KAIST 与成均馆的 FastOPD 用 LingBot-VLA 当教师模型，把 4.51 亿参数学生模型的单步平均成功率从 35.3% 提到 51.2%。
开源侧的二次创造
14B 完整版之外，官方开源了 1.3B 快速版。爱沙尼亚开发者 Kaarel Kaarelson 租一张 RTX 5090（32GB）跑原版，生成 1 秒 16 帧要 2.68 秒，画面跟不上移动。两周里他把 VAE 从 FP32 降到 FP16、注意力换成 SageAttention、线性层做 FP8 行式量化、用 torch.compile 合并计算图、层间 CPU-GPU 同步从 110 次砍到 2 次，再做算子融合，同一张卡从 6 帧/秒提到 16.1 帧，翻 2.7 倍。
Mac 侧有人做了 MPS 后端移植，M4 Pro、48GB 统一内存配 8 位量化文本编码器也能本地生成；还有人给 LingBot-Map 做了桌面封装，把视频拖进窗口就能在本地出三维点云。
英伟达和 AMD 同时认它
两家平时各推自家生态，灵波是少见的交集：英伟达在开源推理库 FlashDreams 里把 LingBot-World 与自家 OmniDreams 并列成三大官方集成模型，SANA-WM 论文直接称它是"大规模工业级基线"；AMD 在 IFA 用它做主题演示，ROCm 跟进 Micro-World 优化，公开评测认可 LingBot-World-V2-1.3B 的 WBench 质量分 81.22、同类第一。推理框架侧，SGLang 给了 Day 0 支持，vLLM-Omni 随后合入视频生成与实时世界会话。
当一个赛道的新研究都要先跑过某个模型才算有效，它就不只是参赛者，而是度量衡。
原文链接：http://www.geekpark.net/news/373059
来源：极客公园
