具身智能一直卡在一道尴尬的裂缝里：大语言模型越来越聪明，可一旦让它看视频、理解动作、预测下一秒机器人该伸手还是转向，大多数通用视频模型立刻就露了怯。蚂蚁灵波刚刚开源的 LingBot-Video 干脆直接捅破了这层纸。这是全球第一个基于 MoE 架构、专门为具身智能设计的视频生成基础模型——不是拿通用视频模型改改数据意思一下，而是从参数结构到训练数据全部重做。
LingBot-Video 总参数量 30B，听起来很大，但 MoE 的好处就在这里：推理时实际激活的参数只有大约 3B，效率比同等规模的 Dense 架构直接拉升 3 倍。更关键的是数据配方。团队塞进了 7 万小时的 VLA、VLN、Ego 等机器人原生数据，配合一套多维强化学习奖励系统，让模型去对齐物理合理性和任务完成度，而不是单纯追求像素漂亮。结果很硬：RBench 总分 0.620，把 Wan2.6 等模型甩在身后；在 Physics-IQ Verified 评测中直接拿下第一——这个榜单拼的恰是视频里那些反常识的物理错误少到什么程度。
对做具身的人，这意味着两件事。一是机器人动作预测有了一个真正懂物理、能看视频的基座，不再需要拿语言模型硬猜运动序列。二是仿真数据生成可以规模化，用 LingBot-Video 产生高质量、物理对齐的机器人视角视频，把训练数据从实验室里解放出来。蚂蚁灵波这次开源很干脆，模型直接放出来，没有藏着掖着。具身智能不缺愿景，缺的是能把愿景跑成实验的工具，LingBot-Video 明显属于后者。
