Представлен LingBot-Video — первый open-source видеогенератор на базе архитектуры Mixture-of-Experts (MoE), специально разработанный для задач воплощённого интеллекта (embodied AI). Модель поддерживает режимы t2v, i2v и ti2v, обеспечивая высокую физическую точность, моделирование свойств материалов и траекторий движения объектов.
Что произошло
Разработчики представили LingBot-Video, предлагая две основные версии модели: компактную Dense (1.3B) и мощную MoE (30B-A3B). Последняя демонстрирует лидерство в бенчмарке RBench. Инструмент позволяет генерировать видео, учитывающее физические свойства среды, что отличает его от стандартных генеративных моделей.
Контекст
В отличие от большинства существующих видеомоделей, ориентированных на эстетическую визуальную составляющую, LingBot-Video фокусируется на физической корректности. Использование архитектуры Mixture-of-Experts (MoE) в версии 30B-A3B позволяет эффективно масштабировать вычислительные ресурсы для решения сложных задач моделирования динамики реального мира.
Почему это важно для индустрии
Для индустрии ИИ и робототехники появление специализированного open-source инструмента означает радикальное снижение стоимости создания синтетических обучающих сред (Sim-to-Real). Это позволяет исследовательским группам быстро создавать специфические сценарии взаимодействия с объектами без необходимости разработки сложных и дорогостоящих симуляторов с нуля.
Почему это важно для пользователей
Для разработчиков и исследователей это важный шаг к созданию систем, которые «понимают» физику, а не просто имитируют картинку. Наличие компактной версии (1.3B) обеспечивает доступность технологии для задач с низким временем задержки и ограниченными вычислительными ресурсами, ускоряя цикл разработки прототипов автономных роботов.
Что пока неизвестно / ограничения
На текущий момент отсутствуют данные о задержке (latency), точной стоимости инференса и стабильности работы архитектуры MoE при масштабном использовании.
Источники
Автор
Look at AI, редакция