金磊 发自 凹非寺
量子位 | 公众号 QbitAI
大火的世界模型，真的无法在消费级显卡上运行吗？答案是否定的。
就在刚刚，一款国产开源世界模型实现了这一突破。
首先是第一人称射击场景演示：
在雪地科幻场景中，角色移动、转向并开火，实时呈现爆炸、火焰及能量护盾等反馈。关键在于，所有变化均发生于同一持续生成的世界中，场景随操作动态延伸。
其次是热门游戏《奥德赛》风格场景：
切换至第三人称视角，角色在巨型木马、城墙与火光间探索。随着移动，近处人物、地面纹理及远处建筑持续展开，空间关系保持高度一致。
再看一种截然不同的风格：
三个 Demo 展示了三种迥异的世界形态。支撑这些效果的，是蚂蚁灵波于今年 7 月开源的LingBot-World 2.0。
此次发布的是该模型的轻量版，参数量仅1.3B。它专为消费级单卡 GPU 设计，支持本地实时生成世界。
今年 7 月开源的 LingBot-World 2.0 主模型参数量为 14B，已具备小时级持续生成能力，支持丰富动作与事件交互，在特定配置下可实现 720p/60fps 高清实时体验。当时，论文摘要中便已埋下"1.3B"的伏笔。
上周的 IFA 柏林消费电子展开幕演讲上，AMD 高级副总裁 Jack Huynh 点名了包括智谱、千问及 LingBot-World 在内的三个开源模型。他现场演示了 LingBot-World 2.0：通过一个 Prompt 生成世界后，角色可在中国小镇、欧洲乡村等环境中长时间探索互动，场景随交互持续演进。
Jack Huynh 对此评价道："This is the future of Personal AI."
承诺今日兑现。相比再次开源的动作，更值得探讨的是：能在本地实时运行的世界模型，究竟是如何实现的？
不只是变小了那么简单
理解这一点，需先厘清世界模型与普通视频生成的区别。
传统 AI 视频生成通常输入 Prompt 后等待数十秒至数分钟，模型一次性输出完整视频。而世界模型则是生成一个持续演进的世界：用户每前进一步或转变视角，模型需即时响应并延续生成。
7 月发布的 LingBot-World 2.0 虽已实现超一小时不间断生成，涵盖水乡、城市、雪地至太空等多种场景，且保持结构稳定与画质清晰，但其背后依赖繁重的工程栈：编译器级注意力 Kernel 优化、动态 KV 缓存调度、异步流媒体传输及混合并行推理策略等，旨在确保高质量实时运行。
此前，大众接触世界模型仅限于观看官方视频或在线 Demo。1.3B 版本的核心目标，便是在有限算力下实现本地运行。
从 14B 到 1.3B，并非简单裁剪大模型，而是基于一条完整的训练路线自然衍生。团队首先训练了名为Causal World的模型。所谓"Causal"，指模型生成当前状态时，仅依赖过往视觉信息与用户输入，无法预知未来，符合因果逻辑。
然而，自回归模型易将自身生成结果作为后续输入，微小误差会随时间累积，导致长时生成中出现纹理模糊、几何变形甚至场景漂移。
为此，LingBot-World 2.0 引入MoBA（Mixture of Bidirectional and Autoregressive Attention Mask）。它在传统 Teacher Forcing Mask 中加入双向注意力机制，相当于增加一层正则化，使模型适应不同视频长度，缓解过拟合与画质退化问题。
这一阶段训练出的 Backbone 奠定了世界模型的基础能力。对比测试显示，在 5 秒至 60 秒的长时生成中，LingBot-World 2.0 在纹理、几何结构及场景连贯性上表现更为稳定。
但高质量 Backbone 存在速度慢的问题：作为 Teacher，其每帧需多步去噪，计算成本过高，难以直接用于实时交互。
因此，团队进行了两步蒸馏优化：
第一步是一致性蒸馏（Consistency Distillation），将 Teacher 的多步去噪轨迹压缩至少数几步，让学生模型（Student）以更少计算量完成生成，同时保留动作条件动态能力。
第二步引入分布匹配蒸馏（DMD, Distribution Matching Distillation），让学生在自身的长时 self-rollout 轨迹上继续训练。这意味着模型在训练阶段便提前“预见”实际运行中可能遇到的状态，从而减少长时自回归过程中的累计漂移。
至此，研发链路完全打通：通过 Causal Pretrain 构建稳定底座，由 Teacher 提供高质量生成，再经蒸馏压缩计算步骤，最后让学生模型适应真实运行状态。
表面看是新增小尺寸版本，实质上蚂蚁灵波开放了 LingBot-World 2.0 的核心研发路径。
世界模型的门槛也要被打下来了
回顾 LingBot-World 一年的发展，核心始终围绕降低门槛：
- 今年 1 月，LingBot-World 1.0 首次开源，解决“能否做出来”的问题；
- 7 月，14B 版本的 2.0 挑战小时级生成、复杂交互与 720p/60fps 实时体验，解决“能否做得久、做得真”；
- 今日，1.3B 版本推动世界模型登陆消费级单卡，解决“能否让更多人跑起来”。
此次同步开源 Causal Pretrain 与双向 Teacher 模型，延续了同一逻辑：小模型降低运行门槛，上游模型则赋能社区进行后训练、蒸馏、压缩及垂直场景适配。
若说世界模型的上半场比拼生成时长与真实度，下半场的关键则在于能否让普通人的显卡跑得动。
AI 技术发展史反复证明：真正推动技术普及的，往往不是最强版本，而是首个足够小巧、廉价且易于尝试的版本。
当世界模型试图将 AI 装入无限延展的世界时，如今随着门槛降低，这个世界终于能够装进普通人的显卡之中。
官网：
https://technology.robbyant.com/lingbot-world-v2
模型：
https://huggingface.co/collections/robbyant/lingbot-world-v2
代码：
https://github.com/robbyant/lingbot-world-v2
论文：
https://arxiv.org/pdf/2607.07534