《楚门的世界》里，街道、天气、邻居、广播都按剧本运行，但当楚门开始偏离路线，幕后团队只能狼狈地临时调整灯光、天气和对白，徒劳地维持那个世界的 " 正常 "。
这像极了上一代模型——只能播放，无法应变。但在 LingBot-World 2.0 里，用户的随机行为成为驱动世界运转的核心燃料，而不再是需要补救的意外。
时隔半年，蚂蚁灵波科技将 LingBot-World 正式迭代为 LingBot-World 2.0，亦称 LingBot-World-Infinity。这是一个开源的实时交互世界模型，它把看视频变成了进世界。对用户来说，眼前是一个有初始画面、有背景故事的世界。每一次操作，比如移动、攻击，都会实时生成下一段画面，真正在推动世界向前。对系统来说，内置的 Agent 也在观察这个世界。它会基于当前状态，主动提议新事件，比如让天空下雨、让敌人增援，让环境无需玩家干预，也能自行演化。
具体到这次迭代，LingBot-World 2.0 主要聚焦在三件事上。第一，支持小时级实时生成，长时间运行仍能稳定输出 720p / 60fps 高清画面；第二，支持更丰富的 Action 与 Event，攻击、射箭、施法、射击以及天气、环境变化都可以成为交互的一部分；第三，内置 Agent 实时 propose 新事件，让世界不再静止，而是持续自我演化、随用户而变。
但到底怎么样？来看看实测效果。
动作先发生，世界随后回应
先来看这个 demo，大片草地、木质路牌、村落小屋、旗帜、远山和云雾，搭出了一个中世纪奇幻山谷。近景有草丛和路牌，中景有道路和建筑，远景有森林与群山，空间层次完整，第一眼就让人觉得这个世界可以继续探索。
动态部分则把场景从好看推进到可玩。角色可以通过按 WASD 上下左右穿过山谷，还可以召唤出马匹，骑在马上带起尘土，披风、衣摆和镜头跟随一起运动，让画面有了开放世界的速度感。
战斗上，火枪带来枪口火光、烟雾；魔法则通过发光粒子、能量轨迹、冲击波、火焰、符文等特效，展现出明显的技能范围、命中反馈和奇幻感。当然，用户可以随时设置新的技能，去到新的环境。至此，LingBot-World 2.0 真正成为了一个可以根据用户意志随时改变的空间。
但用更高的标准看，问题依然存在，对物理世界的理解还不够扎实。马匹奔跑时，脚步和地面的接触不够真实；尘土、草地、衣摆没有完全根据速度和方向自然变化；魔法爆炸也不是每一次都影响了周围环境 ......
从 shopping mall 到梵高
这里我自己新建了一个场景，可以看见，跟随移动视角，画面里有灯笼、摊位、烟雾、行人和湿润的石板路。随后我点击右侧事件提案里提前设置好的的 "梵高风格幻觉"，天空中立刻出现蓝色旋涡状、星空笔触式的幻觉效果，视觉上呼应了梵高式的旋转星空。
之后我随机点击 " 进入蔬菜商店、水果商店、或高级商场 "，能明显看出分镜衔接和流畅度非常高，每一次事件触发后，镜头并不是生硬跳切，而是保留了视角行走的连续性，从街市到店铺、从蔬果货架到高级商场，都有合理的空间过渡。光照、材质、人物轮廓、货架结构和商业空间布置也保持了很强的一致性。
整体观感非常真实。
更重要的是，这种画面的一致性体现出模型的超强世界知识。它能理解不同商店的区别，也知道什么是高级商场。
既能原创，也能二创
用 LingBot-World 2.0 搞一个抽象，看过《潜伏》的才懂。
是什么撑起了这个 " 不停机 " 的世界
言归正传，LingBot-World 2.0 能实现小时级实时运行且画面几乎不漂移，根源在于它从训练范式上做了一个根本性的转向——把世界模拟严格定义为一个因果生成过程。
传统视频生成模型普遍采用双向注意力机制，让每一帧都能 " 看到 " 过去和未来的全部画面，这种做法在生成短视频时效果惊艳，但代价是模型从未真正学会什么是因果。它只知道在统计上，" 开枪 " 的画面后面常常跟着 " 玻璃碎裂 " 的画面，却不理解前者是后者的原因。一旦进入需要长时间连续自回归生成的场景，微小误差就会在帧与帧之间反复累积，画面逐渐模糊、变形，最终崩坏。
因此，720p/60fps 的意义也不只是画面更清晰，而是让交互真正成立。按键之后的反馈才会显得足够快，场景延续足够顺，事件变化显得不突兀。
与此同时，1.3B 轻量模型降低了部署门槛，使系统有机会在单张消费级 GPU 上运行。对普通用户来说，世界模型只有进入这个速度区间，体验才会从 " 看生成 " 接近 " 玩世界 "。
这也是它区别于传统视频生成工具的地方。当你不知道干什么却又想体验未知的时候，就可以使用上图右侧面板中的事件提案，在这个例子里，除了已有的按键如跳跃、滑翔、云鲸出现等，你还可以按下 U 或者 O ，获得系统基于当前世界状态给你随机生成的下一步选择，这何尝不是另一种系统金手指呢。
综上，一句话总结 LingBot-World 2.0 的技术优势就是它同时解决了长时稳定、实时反馈和事件驱动交互三个问题，让视频生成开始具备 AI 原生世界的雏形。
边界很清晰
在技术报告里，蚂蚁灵波也用一小节坦诚地列出了当前模型的局限。
事实上，这是整个赛道需要共同迈过的坎。
首先，长期记忆依然是最大的难题。模型可以在很长时间里保持视觉稳定，但当某个区域离开上下文窗口后，再回到那里，它更像重新生成一片相似区域，未必真正记得 " 刚才那扇门被打开过 "。技术报告里把这个问题概括为：" 世界在 appearance 上持久，在 identity 上并不持久。"这也解释了团队为什么要引入动态 KV 缓存管理机制，本质上是在给模型装一个短期记忆辅助器。
其次，关于一致性，存在着身份和风格在超长探索中也还是可能缓慢漂移等问题，以及物理理解也远未达到真实引擎的确定性，角色和物体偶尔会穿插，碰撞关系会混乱。这都是因为它学会了物理的视觉表现，但还没学会物理本身。
最后，算力同样是门槛。14B 主模型更适合高质量体验和研究验证，1.3B 轻量模型降低了本地尝试门槛，但开发者和创作者想在自己手头的设备上流畅地 " 开世界 "，仍然是一个不小的系统工程。
世界已开服，钥匙在你手里
不过，这些局限也让 LingBot-World 2.0 的位置变得更清楚。一个真正要被使用、被复现、被继续推进的世界模型，不能只展示最漂亮的片段，也要说明哪些能力还在路上。
回到一个更实际的问题：这样一个世界模型，到底能用来做什么？
答案比想象中更宽。
在游戏和互动内容领域，它可以把剧本驱动变成世界驱动，剧情不再由编剧的分支树预先锁定，而是从玩家行为和 Agent 的事件提案中自然生长出来。对创作者来说，这意味着工具范式的迁移，过去你逐帧制作画面，现在你可以通过 Action 和 Event 控制世界的演化方向，创作从画每一片叶子变成种一棵会自己生长的树。
往更深处看，这个模型对具身智能和自动驾驶的价值同样很大。它可以提供一个持续变化、突发事件不断的仿真环境，比固定场景的 replay buffer 更接近真实世界那种永远不知道下一秒会发生什么的复杂性。
同时，它还支持多人进入同一个世界，让 AI 原生的多人交互有了可以跑起来的原型。
对世界模型研究而言，这套开源系统将提供一个事件驱动、可持续运行的公共实验底座。研究者可以在上面测试长时因果一致性、开放域动态规律、智能体协同与环境反馈等关键问题，不必从零搭建一个能持续响应动作和事件的虚拟世界。
目前，主模型以非商用开源协议发布，用户可以直接在 Reactor 在线平台上手体验，也可以通过灵光 APP 中的 " 世界模型 " 功能进入。对于普通用户来说，这很可能是第一个真正开放的、能实现无限时交互的世界模型。
边界已经清晰，图纸已经公开。世界开着，等你进门。
相关链接：
Website：https://technology.robbyant.com/lingbot-world-v2
Model：
https://huggingface.co/collections/robbyant/lingbot-world-v2
https://modelscope.cn/collections/Robbyant/LingBot-World-V2
Code：https://github.com/Robbyant/lingbot-world-v2
在线体验地址：
https://www.reactor.inc/lingbot-world-v2
Tech Report：
https://github.com/Robbyant/lingbot-world-v2/blob/main/paper.pdf
