7月9日、アリババ・レインボウはLingBot-Videoをオープンソース化しました。これは世界で初めてMixture-of-Experts（MoE）アーキテクチャを採用し、身体知能向けに設計されたオープンソースのビデオ生成基盤モデルです。このモデルはロボットと身体知能のコアニーズに基づいてビデオの事前トレーニング方式を再設計し、推論効率、物理的妥当性、動作理解、タスク完了度などにおいて体系的な向上を達成しました。これにより、ビデオベースモデルがデジタルコンテンツ制作から身体知能へと進化するための新たなオープンソースの基盤を提供します。

北京大学とビーチュー・トラッキングが共同で発表したベンチマーク RBench において、LingBot-Video の総合スコアは0.620であり、Wan2.6（0.607）、Seedance1.5Pro（0.584）、Cosmos3Super（0.581）を上回りました。RBenchはロボット操作ビデオを対象とした包括的な評価基準であり、モデルが現実的な物理法則に従ったロボット行動を生成できるかどうかを重点的に検証しています。この結果は、LingBot-Videoがロボット関連のビデオを生成する際に、動作プロセスの妥当性とタスク実行の完全性をより保つことができることを示しています。

image.png

（図説:LingBot-Video は RBench で最高性能）

さらにLingBot-Videoの物理世界へのモデリング能力を検証するために、アリババ・レインボウは内部ベンチマークで一般的な品質と身体知能分野の両方の観点から評価を行いました。その結果、NVIDIA Cosmos3、Wan2.2A14B、LongCat-Video、Hunyuan Video1.5、LTX-2.3という5つのオープンソースモデルと比較して、LingBot-Videoは身体知能分野でのパフォーマンスが主なベースラインモデルを上回りました。

image.png

（図説:総合的な評価では、LingBot-Videoは身体知能に関連するシナリオにおいてより強力な物理的理解と動作の一貫性を示しています）

過去数年間、ビデオ生成モデルは画質、滑らかさ、創造表現において急速に進歩しましたが、身体知能にとっては、見た目がリアルで動作が滑らかなビデオでも、現実の物理法則を反映できず、ロボットによる連続的な予測、計画、実行を支えることが困難です。一方で、身体知能には、リアルタイムのインタラクションや制御ループに適応するために高い推論効率も求められます。

このような背景から、ビデオ生成は二つの異なる方向に進化しています。一つは映画館に向かい、コンテンツ制作を目的としています。もう一つはロボットに向かい、物理世界の理解、予測、インタラクションを目的としています。LingBot-Videoはアリババ・レインボウが身体知能に向けてビデオ生成の新しい道を切り開く重要な取り組みです。

LingBot-Videoはアーキテクチャ、データ、トレーニングの三つの面で体系的なイノベーションを施しました。

アーキテクチャでは、LingBot-VideoはDiT + MoEの設計を採用しており、従来のDense構造をMoEに置き換えることで、モデル容量を拡大しつつ、単一の推論コストを制御しています。その30Bパラメータモデルは生成時に約3Bパラメータをアクティブにし、同等のパラメータ規模のDense構造に比べて約3倍の推論効率を持っています。この設計により、モデルは大規模なパラメータによる視覚表現能力を得るだけでなく、身体知能における効率的な推論の要件にも適しています。

データでは、LingBot-Videoはデータ画像エンジンを構築し、膨大なインターネット動画に加えてVLA、VLN、Egoなどのロボット関連データを導入しています。これにより、繊細な操作、ロボットの移動、第一人称のインタラクションなどのシナリオがカバーされ、合計で7万時間の身体知能データが構築されました。これらのデータは、モデルが動作と環境変化の関係を学習するのではなく、ビデオの表面的なテクスチャやビジュアルスタイルだけを学習するのではなく、それらの関係を学習することを可能にします。

QQ20260709-111059.png

トレーニングでは、LingBot-Videoは多次元の強化学習報酬システムを導入しました。美しさ、prompt追従、運動の一貫性などの通常の指標に加え、モデルは物理的妥当性とタスク完成度に焦点を当てた調整を行い、生成結果が現実世界の規則に適合し、ロボットが現実世界でタスクを遂行するニーズに近づけるようにしています。