首页 / 资讯详情
斯坦福的研究，红海的珊瑚，与一个中国模型
摘要
2026 年 9 月 4 日，又一年柏林国际消费电子展 IFA 大会开幕，会展中心的创新舞台座无虚席。 IFA 2026 的开幕主题演讲题目是《个人 AI 时代：想象力的未来》，主讲人是 AMD 高级副总裁、计算与图形事业部总经理 Jack Huynh。 作为消费电子圈每年最重要的场合之一，台下所有人都在等 AMD 拿出年度最重磅的内容。Huynh 的前半段演讲照例讲硬件：新一代 Ryzen AI Max PRO 处理器，AMD 历经多年打磨、专为个人 AI 设计的笔记本「Sundance」。 到演示环节，他话锋一转：「如果说，用一句 prompt 就创造一整个世界呢？」 他双手托着笔记本，屏幕上没有播放键，镜头平稳地向前推进，穿过中国小镇的街巷，又走上欧洲乡村的小路，光影随着视角移动自然变化，世界一路向前铺展，仿佛没有尽头。 这不是一段提前渲染好的视频，而是一个正在实时生成、可以交互的三维世界。 过去一段时间，这类能力更多出现在实验室和论文演示里，能以这么高的完成度，出现在消费电子展的主舞台上，还是行业第一次。 演示结束时，Huynh 对着话筒说了句：「This is the future of Personal AI。」 很多人不知道的是，驱动这个演示的世界模型 LingBot-World 2.0，正来自蚂蚁集团旗下的具身智能团队灵波科技（Robbyant）。 三个月后回看，那场演示只是一个开始。从高校实验室到芯片厂商的开发套件，从独立开发者的工具到垂直行业的工作流，LingBot（灵波）系列模型正在进入全球具身智能的技术底层，成为很多团队创新的起点，甚至还进入了红海珊瑚礁的研究现场。 01 成为学术研究的参考基准 能被 AMD 选上舞台，不是运气。在此之前，灵波已经在全球具身智能的学术圈成了一把隐形标尺。 世界模型赛道有个公认的难题：物体恒存。简单说就是镜头离开一个物体，再转回来，生成模型还能不能把它还原出来？ 南洋理工大学、清华大学和普林斯顿大学的联合团队，把这个难题当成测试世界模型记忆能力的试金石。世界模型需要利用此前的画面，维持物体和场景的连续性；生成时间越长，保存历史信息的缓存也可能越大。研究者想做的，是压缩缓存的同时，保留后续生成真正需要的信息。 团队比较了 LingBot-World v2、LongLive、Self-Forcing 和 Causal Forcing。在特定的对象找回与场景重访测试中，LingBot-World v2 利用完整历史信息生成的画面，与目标画面的 DINO 特征相似度约为 0.68，其他三个候选约为 0.26。 这个结果直接决定了他们后续的研究方向：放弃其他候选，直接在灵波的底座上做记忆压缩优化。最终提出的 DeCoPrune 方案，把历史缓存 token 砍掉了 85%，生成速度翻了四倍多的情况下，画面相似度还能保住 0.67。 类似的故事，在具身智能论文里反复出现。 斯坦福大学视觉与学习实验室 10 月发布的 OpenWAM 项目，初衷是给世界 - 动作模型（World-Action Model）做一套统一的对比框架。过去各家模型各写各的代码，架构不兼容、接口不统一，想比个优劣得先重写半套环境。他们找了一圈现成的实现，最后把 LingBot-VA 的 Transformer 架构、文本编码器和分词器整套拿了过来，作为整个框架的参考实现。 韩国 KAIST 与成均馆大学团队的联合研究成果 FastOPD，则用 LingBot-VLA 作为「教师模型」，为约 4.51 亿参数的学生模型提供监督，