结论先行：世界模型正在从”跑得动的演示”走向”装得进单卡的产品”。蚂蚁灵波科技开源实时交互世界模型 LingBot-World 2.0，在 7 月开源 14B 主模型之后，再次开源三款模型：Small（1.3B）面向消费级单卡 GPU，可本地实时生成世界；Bidirectional 为双向 Teacher 模型，作为高质量蒸馏源；Causal Pretrain 提供因果预训练底座，支持相机位姿与文本提示两类输入。
一、世界模型是什么：不是生成视频，而是生成”可交互的空间”
理解这三款模型之前，需要先厘清世界模型和视频生成模型的区别。视频生成的目标是产出一段看起来合理的连续画面，输出是一次性的、不可干预的；世界模型的目标则是构建一个可以被操控、能持续响应的环境——你往前走一步，场景要跟着变化，而且变化必须符合空间与物理的连贯性。
这个区别决定了技术难度的量级差异。视频生成可以容忍细节上的偶然不一致，因为观众不会逐帧检查；世界模型不行，用户会主动在里面”走”，任何空间错乱都会被立刻察觉。也正因为如此，世界模型被视为通往具身智能与可交互内容的关键路径。
二、三款模型的分工：一条完整的蒸馏流水线
这次开源的三款模型并不是并列的三个”尺寸”，而是一套互相咬合的组合。
| 模型 | 角色 | 用途 |
|---|---|---|
| Small（1.3B） | 轻量 Student | 面向消费级单卡 GPU，本地实时生成世界 |
| Bidirectional | 双向 Teacher | 作为高质量蒸馏源，训练更轻更快的 Student |
| Causal Pretrain | 因果预训练底座 | 支持相机位姿与文本提示两类输入，供后续微调 |
Bidirectional 之所以被称为”双向”，是因为它可以同时利用前后帧信息做生成，看得见”未来”让它能输出更一致、更高质量的画面。代价是它无法用于实时场景——实时生成必须按顺序逐帧输出，不能偷看未来。所以它的价值不在直接部署，而在于作为老师：把双向模型的高质量输出作为监督信号，蒸馏给只能看过去的因果模型。
Causal Pretrain 则是可被微调的起点。它支持两类控制信号：相机位姿（决定”镜头怎么动”）和文本提示（决定”场景长什么样”）。这两类输入恰好对应交互体验的两个维度——前者让用户能自由移动视角，后者让用户能修改世界内容。
Small（1.3B） 是最终落到用户手上的那一款。1.3B 的参数量意味着它能在消费级单卡 GPU 上运行并做到实时，这把世界模型从需要专业算力的实验室 demo，变成了个人开发者也能本地跑起来的东西。
三、一致性蒸馏 + 分布匹配蒸馏：为什么需要两种
把双向 Teacher 的能力搬进因果 Student，团队用了两种蒸馏手段组合：一致性蒸馏与分布匹配蒸馏。两者解决的问题不同。
- 一致性蒸馏：让 Student 在更少的采样步数下，输出与 Teacher 多步结果一致的内容。它主要解决”速度”问题——把去噪步数压下来，实时才有希望。
- 分布匹配蒸馏：让 Student 的输出分布在统计意义上逼近 Teacher，而不仅仅是在单张样本上对齐。它主要解决”质量”问题——避免少步采样带来的细节模糊与结构漂移。
只做一致性蒸馏，模型往往快了但发虚；只做分布匹配，质量有了但步数压不下来。两者结合是在实时性与保真度之间找平衡点，这也是当前实时生成类模型的通用做法。
四、从 14B 到 1.3B：开源节奏透露的信号
团队在 7 月开源 14B 主模型，不到三个月又开源三款配套模型，这个节奏说明开源策略是体系化的，而不是挑一个最好的模型放出来做宣传。14B 主模型负责确立能力上限，Small 负责把能力铺到普通硬件上，Bidirectional 与 Causal Pretrain 则把训练方法论一并开放。
最后这一点尤其重要。只放权重，社区只能使用；把 Teacher 与预训练底座一起放出来，社区才能复现和改进训练流程。对研究者来说，后者的价值远高于多一个可用的 checkpoint。
五、能用来做什么，以及当前的边界
短期内最现实的落地方向有三类：一是具身智能的训练环境，用可控的世界模型为机器人策略提供低成本的模拟数据；二是交互式内容，如可自由探索的场景原型、游戏关卡的概念验证；三是研究与教学，让没有大算力集群的团队也能动手实验世界模型。
边界也要说清楚。1.3B 模型能在单卡实时运行，意味着它在画面复杂度、物理准确性与长时一致性上必然做了妥协；实时交互世界模型目前更适合作为原型与模拟工具，还不足以支撑对真实感要求极高的生产级内容。此外，相机位姿与文本提示之外的控制方式（例如精确的物体级编辑）仍需要社区在此基础上继续探索。
六、常见问题（FAQ）
Q1：Bidirectional 模型既然质量更高，为什么不直接部署它？
因为双向模型需要同时看到前后帧才能生成，无法按顺序逐帧输出，也就不能用于实时交互。它的定位是 Teacher：用高质量输出作为监督信号，通过蒸馏把能力迁移给因果结构的 Student 模型。
Q2：1.3B 的 Small 模型对硬件要求高吗？
官方定位是面向消费级单卡 GPU，可本地实时生成世界，因此硬件门槛显著低于 14B 主模型。实际帧率与分辨率仍取决于具体显卡型号与推理优化程度，部署前建议按目标分辨率实测。
Q3：相机位姿和文本提示两种输入分别适合什么场景？
相机位姿控制”镜头怎么动”，适合需要自由移动视角的浏览与探索类场景；文本提示控制”场景是什么样”，适合快速设定环境、风格与内容。两者结合可以实现”在这个场景里自由行走”的交互体验。
小结
LingBot-World 2.0 这次开源的看点，不在参数大小，而在结构完整：Teacher 负责质量上限，Causal Pretrain 提供可控起点，Small 把能力压进单卡实时运行，两种蒸馏手段把三者串成一条可复现的流水线。它把世界模型的门槛从”有集群才能碰”拉到了”有张消费级显卡就能跑”。对具身智能研究者而言，这意味着低成本仿真环境的供给更充裕；对内容创作者而言，则意味着可交互场景的原型验证不再需要先申请一批算力。接下来值得观察的是，社区能否在这套底座上长出物体级编辑、更长时一致性这些目前仍然欠缺的能力。