Robbyant/lingbot-video

解决的问题

LingBot-Video 旨在弥合视频合成与物理世界理解之间的差距，特别针对具身智能（embodied intelligence）设计。其目标是生成高质量、物理上合理且任务导向的视频，超越简单的美学视频生成，以支持机器人学和具身人工智能的需求。

工作原理

该项目采用大规模的混合专家（MoE）架构，能够在保持高效推理（比密集模型快约3倍）的同时实现高模型容量。它在海量网络视频数据的基础上，结合了超过7万小时的专业具身数据进行训练。为确保质量，采用了多奖励机制，优化美学、物理合理性以及任务完成度。

适用人群

该工具主要面向从事具身智能、机器人学和视频生成的研究人员与开发者，以及需要处理复杂物理交互的高性能开源视频模型的用户。

核心亮点

• MoE 架构：从零开始扩展，平衡容量与成本。
• 具身数据引擎：整合了7万+小时的具身专用视频数据。
• 多任务支持：支持文本到图像（T2I）、文本到视频（T2V）以及文本到图像到视频（TI2V）。
• 结构化提示：使用基于 Qwen3.6 的专用提示重写器，将自然语言转换为结构化 JSON 字幕，实现更精准控制。
• 高性能表现：在 RBench 基于具身视频生成的排行榜中位列顶尖。