一张消费级显卡，也能实时生成一个世界：LingBot-World 2.0 再开源三款模型

本次开源的 LingBot-World 2.0 Small 采用 1.3B 参数规模，面向消费级单卡 GPU 设计，可在单卡上实现实时生成。

模型变小所带来的变化，不只是一组参数数字。过去，开发者可能更多通过公开视频或在线 Demo 观察世界模型的能力；现在，他们可以在本地直接运行模型，观察连续生成过程，修改输入方式，测试不同的交互设计，并搭建应用原型。

这让个人开发者、高校实验室和小型团队也可以从本地体验和复现开始，进一步探索交互方式、推理优化与场景应用。

仅仅开放一个可以直接运行的小模型，还不足以支持社区继续训练和改进世界模型。因此，本次我们同步开放 LingBot-World 2.0 Bidirectional，即双向 Teacher 模型。

它面向实时世界模型训练，提供高质量的蒸馏源。高质量生成通常需要多步去噪，计算成本较高，难以直接满足实时交互需求。通过蒸馏，可以将 Teacher 的多步生成轨迹压缩到少步 Student，在降低生成成本的同时，尽可能保留预训练阶段学习到的动作条件动态能力。

在 LingBot-World 2.0 的技术路径中，我们结合一致性蒸馏与分布匹配蒸馏：前者用于减少去噪步数，后者进一步改善视觉保真度，并抑制 Student 在长时序自回归过程中不断累积误差。

通过开放 Bidirectional，我们希望为研究者提供更完整的蒸馏起点，用于训练更轻、更快，或更适合特定场景的 Student 模型。

本次开放的第三款模型是 LingBot-World 2.0 Causal Pretrain。它面向后训练、评测和场景适配，提供因果预训练底座。

在 LingBot-World 2.0 中，当前世界状态只依赖过去的视觉观察，以及截至当前时刻的用户输入，不能访问未来信息。Causal Pretrain 支持相机位姿与文本提示（Prompt）两类输入，让用户既可以控制移动和视角，也可以通过文本改变局部事件与世界状态。

为了兼顾自回归生成与视觉质量，我们引入 Mixture of Bidirectional and Autoregressive Attention Mask（MoBA）。它在 Teacher Forcing 掩码中加入双向注意力组件，用于缓解纯 Teacher Forcing 带来的过拟合和画质下降，并帮助模型从双向生成过渡到自回归生成。与之配套的因果交叉注意力，则用于防止未来语义泄漏，同时保留灵活的交互控制能力。

技术报告中的定性对比显示，Causal Pretrain Backbone 在较长生成过程中能够更好地保持清晰纹理、稳定几何结构和场景连贯性，为后续实时模型提供更稳定的预训练基础。

本轮开放的三款模型，让开发者既可以直接运行 1.3B 小模型，也可以从 Causal Pretrain 或 Bidirectional 出发，继续开展后训练、评测、蒸馏、压缩、推理加速和特定场景适配。我们希望逐步完善世界模型从研究到应用的开源体系：让更多人能够跑起来，也让研究者能够在此基础上继续训练、蒸馏和创造。

欢迎访问项目页面，体验并下载相关模型。我们期待继续与开源社区一起，探索实时交互世界模型的更多可能。