视频模型学会穿墙术?蚂蚁开源具身智能视频底座:画面精美还不够,还得懂物理因果
当你让视频模型生成"往杯子里倒水"的场景，效果细腻到无可挑剔：水流的光泽、玻璃的折射、光影的层次，全都恰到好处，仿佛请来了一流灯光师亲自操刀。
结果水直接穿透了玻璃杯壁，扬长而去，一滴都没留下。
动作干脆利落，毫无违和感，液体仿佛拿到了穿墙特批。
这类翻车，2026年一批主流视频生成模型几乎无一幸免。画面精美到能以假乱真，物理逻辑却连半秒都经不起推敲。
科技账号AI Frontliner把这段对比发到了X上，配文判断很直接：
"It looks perfect and the physics is nonsense."
「画面看起来完美，物理却完全离谱。」
刷到这条视频的普通网友，顶多把它当成一个"AI又犯傻了"的梗图，笑完就划走。可如果这套系统要指挥一只真正伸手去抓杯子的机械手，一个连水会不会穿墙都判断不出来的模型，后果就不只是好笑了。
蚂蚁集团旗下具身智能公司Robbyant（灵波），显然把这条吐槽当成了正经的技术命题。7月上旬，他们开源了一款叫LingBot-Video的视频基础模型，目标只有一条：视频模型不能只顾着好看，还得弄明白一个动作会怎样改变这个世界。
▲ AI Frontliner：让视频模型生成"倒水"，水却穿透玻璃杯，「画面完美，物理离谱」
穿模在视频生成圈算不上新闻，是心照不宣的老毛病。这几年这类模型进步飞快，分辨率、时长、镜头可控性，几乎年年翻倍。但机器人实验室里的人反复撞见同一批失败：夹爪合拢了，物体却没跟着动；东西被遮挡一下，再露出来就换了个形状；细长的杆子插不进该插的孔。
病灶在打分表本身：从头到尾，没人要求模型对物理负责。
如果一个模型只被要求"好看"、"贴合提示词"、"运镜顺畅"，它能找到的最优解，完全可以是一段视觉上无懈可击的假动作，水的反光调得很美，只是没人告诉它水不能穿墙。
alphaXiv的官方账号@askalphaxiv把这套逻辑压成一段短评，配上LingBot-Video的论文首页发到了X上：
"As most video models learn appearance, this paper LingBot-Video tries to learn action, motion, and physical cause-and-effect."
「大多数视频模型学的是外观，而这篇论文提出的LingBot-Video，试图学习动作、运动与物理因果。」
论文题目是《Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence》，编号arXiv:2607.07675。开篇就点破了行业的病灶：视频生成模型这些年一直在为内容创作服务，视觉保真和创造力优先，效率和物理真实从来排不上第一位。
▲ alphaXiv：「一个为机器人而生的视频模型」，配论文首页截图，4.5K次查看
LingBot-Video早已跳出论文阶段，是能下载、能跑起来的开源模型。官方账号@robbyant_brain的宣布推文里，把它拆成三条关键指标：
"30B params, only 3B active at inference. Augmented with 70K hours of embodied data on top of large-scale internet video pretraining. Already outperforming Wan2.6, Seedance 1.5 Pro, and Cosmos3 Super on RBench."
「总参数300亿，推理仅激活30亿；在大规模互联网视频预训练之上，再注入7万小时具身数据；已在RBench上超越Wan2.6、Seedance 1.5 Pro与Cosmos3 Super。」
这条推文采集时的浏览量已经冲到114.8万，点赞1.1K。对照最早带起这个话题的alphaXiv种子帖只有4.5K浏览，舆论真正的中心在官方账号本身，alphaXiv更像是把论文翻成大白话的那个转述者。
模型分两档：主力型号LingBot-Video-MoE（30B-A3B）配级联精修器，扛复杂任务；轻量款LingBot-Video-Dense（1.3B）给单卡用户当入门。代码用Apache-2.0协议全开源，GitHub、Hugging Face、ModelScope三线分发。
▲ Robbyant官方账号宣布开源LingBot-Video，采集时浏览量约114.8万，点赞1.1K
300亿参数只激活30亿，靠的是一套叫混合专家（MoE）的架构设计。
稠密模型处理每一帧画面，都要把整个巨型网络从头跑到尾，像是不管什么病人，全院医生都用同一套诊疗模板走一遍。LingBot-Video换了个方式：先设一个分诊台（router），把不同的计算需求送到对应的专科专家手上，同时留几个"全科医生"（共享专家）兜底通用的物理和空间常识。
视频这种数据格外需要这种分工。同一帧画面里，可能同时装着金属反光的材质计算、接触事件的时序对齐、文字实体的语义匹配，扩散过程里不同噪声阶段该关注的重点也完全不同，全塞进一套稠密网络，各个子任务会互相打架。
论文的消融实验显示，专家数量从64涨到128，效果提升明显；再往256涨，收益开始摊薄，团队最终把默认值定在128。专家切得越细，路由的组合空间越大，效果反而优于粗粒度切分。
效率账算下来：在百万token级别的长视频序列上，30B-A3B相对同等总参的稠密模型，推理速度差不多是3.18倍。这笔账的分量超过跑分游戏本身，机器人做规划要在"脑子里"反复预演很多遍，每预演一次都要真金白银烧算力，谁烧得起、烧得快，从根本上决定这套系统能不能塞进一个实时控制环里。
▲ Robbyant官方技术拆解图，采集时3.3K次查看：左图数据画像五维度，右图DiT+稀疏MoE架构示意
互联网上从不缺视频，缺的是动作改变世界的那一段。
网上能找到无数条"猫跳上桌子"的镜头，剪辑精美、角度多样，但没有一条会告诉你猫爪子踩下去那一刻桌布的摩擦力有多大。这类内容的基因是观赏，从来没打算教会谁怎么和世界互动。
LingBot-Video在互联网视频之外，额外注入了7万多小时的具身数据：机械臂和人形机器人执行抓取放置的操作视频（VLA）、移动视角里路径随场景变化的导航片段（VLN）、头戴或胸戴相机拍下的第一人称手部交互（egocentric）。这些数据教给它的，是"手伸过去，东西会怎么动"，互联网视频教的，只是画面该长什么样。
数据处理上，团队搭了一套数据画像引擎，从结构、语义、运动、镜头语言、质量五个维度给每条素材打分，再配一张"世界知识拓扑图"，按语义树和动作树统计训练损失，长尾难例被主动加权，已经喂饱的简单样本被主动降权。
训练走的是五阶段课程，像训练一名运动员：第一阶段先练基础体能（低分辨率图像质量过滤）；第二阶段就加练最珍贵的专项，正是这一步，7万小时具身数据被正式请进训练场；第三阶段把训练场地标准拉高（480p更严过滤）；第四阶段专攻薄弱项目，普通网络视频从严筛选，稀缺的具身数据反而放宽尺度；第五阶段冲刺细节，用1080p精品数据训练最后的精修模块。
如果打分的裁判只看"选手好不好看"，选手学会的动作大概率是摆造型，完成动作本身反而顾不上。
过去的视频模型后训练，评分标准基本绕着美学、文本对齐、运动是否流畅转，说到底还是"好不好看"这一个维度的不同变体。LingBot-Video往裁判席上多请了几位评委：一位专门盯物理合理性：东西会不会凭空消失（物体恒存）、固体之间会不会互相穿透、液体会不会违反容器的边界；另一位专门看任务完不完成，不管镜头多顺滑，杯子没被抓稳就是没抓稳。
这套多维奖励，是这篇论文在训练目标层面最激进的一步。它相当于宣布：以后光靠好看拿不到满分了。
代理指标终归是代理指标，机器人学界的老问题在这里同样成立：模仿动作的外形，不保证目标真的达成了。如果任务向的奖励给得过重、物理向的给得太轻，模型完全可能学出"剪辑式完成"这种投机取巧的路数，物体瞬移到终点，糊弄过关。公开材料也反复强调需要人工抽检，不能把奖励模型打的分数当成终审。
数字最终要落到一张公开榜单上。RBench是官方给出的机器人相关生成能力评测，结果如下：
平均分反超三个对手，这在"开源打赢闭源"的话题上确实有杀伤力。但拆开分项看，Wan 2.6在空间关系判断、单双臂精细操作、推理类任务上仍然领先或者持平。平均分第一，不等于每一项都赢，四足行为生成上0.758的分数一骑绝尘，但要是任务是双臂精细空间操作，闭源方案眼下依然是一个诚实的选项。
▲ Robbyant官网项目页：LingBot-Video定位为「首个面向具身智能的开源MoE视频基础模型」
热闹背后，质疑一直没断。
有人对着"7万小时"这个数字皱眉。X用户Suresh的评论很不客气：
"70k hours of robot data, but half of it is just the same tabletop task filmed five ways."
「7万小时机器人数据，但一半可能只是同一种桌面任务拍了五种机位。」
时长堆得再高，如果场景高度重复，模型学到的多样性照样有限，这条怀疑目前停留在观点层面，没有实证，但足够刺耳。
另一类质疑瞄准了更根本的东西。用户Indo_Como等人提醒：像素层面的完美，换不来真实的力反馈和摩擦系数，不能指望靠看几段生成的片段，就学会一只手抓住湿滑的杯子该用多大力气。
语气相对温和的，是研究者elvis（@omarsar0）：
"The use of MoE stands out to me. 3B active out of 30B is promising for long-context embodied workloads where inference cost is a real bottleneck. Curious how the physical-reasoning rewards hold up on downstream robotics tasks. Nice release."
「MoE的设计最打动我。300亿总参里只激活30亿，对长上下文的具身负载很有希望，推理成本确实是真实瓶颈。但我很好奇，物理推理奖励放到下游机器人任务里，到底能撑住多久。不错的发布。」
这条评论，大概率是整场讨论里最值得记住的一条，效率的账已经算清楚了，物理认知能不能扛住真实世界的检验，还没有答案。
▲ 研究者elvis（@omarsar0）评论，1.4K次查看：认可MoE效率设计，同时追问物理推理奖励能否扛住下游机器人任务
有一点容易被忽略：LingBot-Video吃的是文字、图像，外加动作序列做条件，吐出来的是视频。它并不输出关节角度，驱动不了一只机械手现在就去拧瓶盖。
同一周，Robbyant还在推自家的LingBot-VA，一套把"预测下一帧"和"解码具体动作"绑在同一个框架里的模型，主打控制闭环；以及更早开源的LingBot-World，偏向可交互的世界模拟沙盘。三者摆在一起看，更像一条产品阶梯：感知层的Vision/Depth负责看清世界，LingBot-Video负责理解"动作会怎样改变世界"这层动力学，VA/VLA系列才负责真正把这份理解变成一次抓取动作。
把LingBot-Video等同于"已经能控制真机的机器人大脑"，是一种过度解读。它在整条具身智能技术栈里，更像是补上了一块可物理接地的视觉动力学底座。
视频生成模型正在经历一次身份转变，从服务短视频和广告片的内容工业引擎，变成机器人工业里的一块想象力模块。
LingBot-Video有没有真正治好视频模型的"物理幻觉"，答案不会写在论文摘要里，得靠独立复现和真实机台上的长程任务去验证。但它至少把问题问得足够尖锐：如果打分表上只写着好不好看，模型就会学会体面地违反物理；如果喂给它的只有电影镜头，它就永远学不会一只夹爪该用多大力气。
开源300亿参数的模型权重，搭上7万小时具身数据的训练配方，这一步把行业从"再做一个更好看的视频模型"这道选择题，往前推到了"做一个更懂动作后果的视频模型"这一格。
下一步该往哪走，或许早就不再取决于哪个模型的平均分能再涨零点零几。真正的分数板，摆在实验室那些会打滑、会反光、会被夹爪遮住半边的杯子上。