Robbyant/lingbot-video

解決的問題

LingBot-Video 是專為彌合視頻合成與物理世界理解之間的差距而設計，特別針對具身智能（embodied intelligence）而打造。其目標是生成高品質、物理上合理且任務導向的視頻，超越單純的美學視頻生成，以支援機器人學與具身人工智慧的需求。

工作原理

本專案採用大規模混合專家（MoE）架構，能在維持高效推論（比密集模型快約3倍）的同時實現高模型容量。訓練資料涵蓋龐大的網路視頻資料集，並結合超過7萬小時的專業具身資料。為確保品質，採用多獎勵系統，優化美學、物理合理性與任務完成度。

適用對象

此工具主要適用於從事具身智能、機器人學與視頻生成的研究人員與開發者，以及尋找能處理複雜物理互動之高性能量子開源視頻模型的使用者。

核心亮點

• MoE 架構：從零開始擴展，平衡容量與成本。
• 具身資料引擎：整合7萬+小時的具身專用視頻資料。
• 多任務支援：支援文字轉圖像（T2I）、文字轉視頻（T2V）以及文字轉圖像轉視頻（TI2V）。
• 結構化提示：使用基於 Qwen3.6 的專用提示重寫器，將自然語言轉換為結構化 JSON 字幕，實現更精準控制。
• 高性能量表現：在 RBench 基於具身視頻生成的排行榜中位居頂尖。