LingBot-Video 开源，MoE 搞具身视频这条路靠谱吗 [分析]

刚读完蚂蚁灵波开源 LingBot-Video 的报道，几个点想聊一下。

先看 baseline 对比：RBench 上总分 0.620，超过 Wan2.6 的 0.607、Seedance 和 Cosmos3。这个幅度不算大，但考虑到 MoE 架构下只激活 3B 参数就做到了，效率确实亮眼。30B 总参、3B 激活，推理成本大约是同等 Dense 模型的三分之一，对于需要部署在机器人本体上的场景来说，这个性价比很关键。

我比较关注的是他们把 7 万小时具身数据单独拎出来做训练——VLA、VLN、Ego 这些数据跟互联网视频混在一起，模型才能真正学到“手伸过去东西会倒”这种物理因果，而不是只学像素风格。很多视频生成模型看起来画面美，但一做动作就违反物理，LingBot 专门加了物理合理性和任务完成度的 RL 奖励，这个方向对了。

不过有个疑问：RBench 是北大和字节发的基准，LingBot 在上面跑分高，但换到其他机器人 benchmark 或者真实环境测试，泛化能力如何？文章里只提了内部评测，没看到更多第三方验证。另外，7 万小时具身数据里，灵巧操作和室内移动的比例是多少？如果数据偏向某个场景，模型在其他场景的效果可能打折扣。

总之，LingBot-Video 给具身视频生成提供了一个很好的开源底座，MoE 架构在推理效率上的优势明显。但这类模型离真正落地到机器人控制闭环还有多远，大家怎么看？