TL;DR
- 场景：你看到 LingBot-World 2.0（又称 Infinity）演示起来像「无限世界」，但公开仓库只有 8 GPU / 480p 的研究命令；你想搞清楚它到底强在哪、限在哪、本地能不能跑。
- 结论 ：World 2.0 不是更长的视频生成器，而是**「因果分块 + KV Cache + 1.3B/14B 双规格 + Agentic Harness」驱动的可交互世界模型；公开了研究推理代码和 14B 权重，但不公开生产部署栈**，720p/60 FPS 是官方系统上限，公开仓库按 480p/361 帧/8 GPU 复现。
- 产出：四层世界模型定义、World 1.0/2.0 对比、因果生成公式、KV Cache 机制、4 类长期漂移、Agentic Harness 双 Agent 闭环、开源/许可证边界、8×A6000 48GB 资源规划、6 类评估方法、10 条常见误解速查。
版本矩阵
| 维度 | World 1.0（2026-01-29） | World 2.0 / Infinity（2026-07-09） | 状态 |
|---|---|---|---|
| 基础视频底座 | Wan2.2 14B | Wan2.2 14B | ✅ 已验证（论文 + 公开仓库） |
| 公开权重 | Base-Cam / Base-Act / Fast | 14B causal-fast | ✅ 已验证（HF/ModelScope 公开） |
| 1.3B 蒸馏版 | --- | 计划中，⚠️ 截至 7-11 未公开发布 | ⚠️ 用户声明+媒体提及，未独立命中下载源 |
| 核心架构 | 双向 DiT + MoE（28B 总参 / 14B 激活） | 块因果注意力（Block Causal + MoBA）+ 14B causal-fast | ✅ 已验证（论文 + 官方介绍） |
| 注意力机制 | 双向 | 混合双向/自回归（MoBA） | ✅ 已验证（论文 + 多家媒体） |
| 实时性 | 16 FPS / 端到端 < 1 秒 | 720p / 60 FPS（官方系统上限） | ✅ 已验证（公开命令 / 官方介绍） |
| 时长 | 近 10 分钟连续稳定 | 小时级无界 | ✅ 已验证（一小时压力测试公开报道） |
| 交互能力 | 相机/动作/文本事件 | 相机 + 攻击/射箭/施法/射击 + 文本事件 + Pilot/Director Agent | ✅ 已验证 |
| 多用户 | --- | 支持多人同世界 | ✅ 已验证（官方介绍） |
| 公开推理命令 | 480P/720P，8 GPU | 480×832 / 361 帧 / 8 GPU / DiT FSDP + T5 FSDP + Ulysses 8 | ✅ 已验证（README） |
| 许可证 | Apache 2.0 | CC BY-NC-SA 4.0 | ✅ 已验证 |
| 商业使用 | 允许 | 仅非商业 | ✅ 已验证 |
| 生产部署代码 | 研究代码公开 | ⚠️ 明确不计划公开 | ✅ 已验证（README 声明） |
| 官方实时系统 | --- | Reactor 平台 / 灵光 APP 体验入口 | ✅ 已验证（官方介绍） |
| 与 SGLang 适配 | --- | Day 0 适配 | ✅ 已验证（官方介绍） |
| World 1.0 论文 arXiv ID | arXiv:2601.20540 | --- | ⚠️ 用户稿未引用 World 1.0 论文 |
| World 2.0 论文 arXiv ID | --- | ⚠️ 用户声明 arXiv:2607.07534 | ⚠️ 联网未独立命中此 ID，请核 arXiv 实际编号 |
| 模型包体积 | --- | 14B causal-fast 约 86.1 GB | ⚠️ 用户声明，HF 公开仓库可印证大致量级 |
| 显存规划（8×A6000 48GB） | --- | 容量可运行公开路径 | ✅ 已验证（容量匹配 8 GPU 进程） |
| World 1.0 商业兼容路径 | NF4 量化社区版 | --- | ✅ 已验证（cahlen/lingbot-world-base-cam-nf4 公开） |
LingBot-World 2.0 的全名是 LingBot-World-Infinity。它会生成视频，但不能只把它理解成一个更长的视频生成模型。它的目标不是根据一句提示词一次性完成一段固定视频，而是接收持续的控制输入，让场景、角色和镜头在交互过程中不断演化。
普通图生视频的逻辑更接近：
text
初始图片 + 文本提示词
↓
一次性采样固定长度的视频交互式世界模型的逻辑更接近：
text
当前世界状态 + 控制信号
↓
生成下一段世界状态
↓
接收新的控制信号
↓
继续生成下一段世界状态第二种形式要求模型维护历史、响应动作、保存空间关系，并控制长期误差。视频是它表现世界状态的媒介，而不是唯一目标。
什么条件下才能称为"世界模型"
"世界模型"这个词被使用得很宽泛。对 LingBot-World 这类系统，可以至少从四个层面判断。
| 层面 | 普通视频生成 | 交互式世界模型 |
|---|---|---|
| 条件输入 | 文本、图片、参考视频 | 文本、图片、相机轨迹、角色动作、事件指令 |
| 时间结构 | 一次性生成固定片段 | 按时间块持续生成，并保留历史状态 |
| 用户控制 | 通常在采样前给定 | 生成过程中持续输入 |
| 主要评估 | 画质、运动、提示词遵循 | 控制响应、因果一致性、长期记忆、世界稳定性 |
LingBot-World 2.0 官方强调四个升级方向：
- 无界交互时长，即生成过程不再预设一个严格的终点。
- 通过蒸馏得到实时变体，官方系统可驱动 720p、60 FPS 视频流。
- 增加攻击、射箭、施法、射击等动作，以及文本驱动的世界事件。
- 加入 Agentic Harness，由 Pilot Agent 控制角色行为，由 Director Agent 在推进过程中生成新的环境元素。
这些描述说明它试图把视频生成器变成一个可以被人或 Agent 驱动的状态演化系统。
World 1.0 与 World 2.0 的关系
LingBot-World 1.0 于 2026 年 1 月公开。它基于 Wan2.2，重点是高保真环境、分钟级一致性、相机或动作控制，以及低延迟交互。官方随后发布 Camera Control、Action Control 和 Fast 模型。
LingBot-World 2.0 于 2026 年 7 月 9 日公开技术报告、推理代码和模型。升级重点不是简单增加分辨率，而是重构连续生成方式和交互类型。
| 维度 | World 1.0 | World 2.0 / Infinity |
|---|---|---|
| 主要控制 | 相机姿态、动作 | 相机、角色动作、文本事件、Agent 行为 |
| 时间目标 | 分钟级长视频与实时交互 | 无界交互时长 |
| 公开模型 | Base Cam、Base Act、Fast 等 | 14B causal-fast |
| 公开推理 | 480P/720P，多 GPU 参考脚本 | 480P、8 GPU、按块因果推理 |
| 许可证 | Apache 2.0 | CC BY-NC-SA 4.0 |
| 商业使用 | 许可证层面允许 | 仅非商业使用 |
| 生产部署代码 | 研究代码公开 | 官方明确不计划公开生产部署代码 |
World 2.0 不是 World 1.0 的无约束替代。许可证更严格，公开系统与官方演示系统之间的差距也更明确。
因果视频生成如何维持连续世界
传统扩散视频模型常把一个视频片段作为整体处理，片段内可以使用双向上下文。交互系统不能依赖尚未发生的未来信息：用户下一秒可能按下不同按键，模型必须根据已经发生的历史继续生成。
LingBot-World 2.0 的公开推理代码采用因果生成和 KV Cache，按 chunk 处理视频帧，而不是一次性把所有帧放入模型。
可以把每一步写成简化形式：
X_{t+1:t+k} \\sim p_\\theta\\left(X_{t+1:t+k}\\mid X_{\\le t}, U_{\\le t}, C\\right)
其中：
- (X) 是视频世界状态；
- (U) 是相机、角色动作或事件控制；
- (C) 是文本和初始条件；
- (k) 是一次生成的视频块长度。
KV Cache 用来复用历史注意力结果，避免每次生成都从第一帧重新计算。它降低了连续生成成本，但也带来缓存显存、长期漂移和错误固化问题。
"无限"不代表不会漂移
"无界交互时长"描述的是模型可以继续生成，不等于任何时长下都能保持完美一致。
长期世界生成通常面临四类累积误差：
几何漂移
道路、房间、山体和建筑的空间结构在多轮生成后可能变化。用户转身回到原处时，原来的物体可能消失、位移或变形。
身份漂移
角色服装、武器、手部、载具和环境标志可能逐渐变化。世界越长，维持对象身份需要的记忆越多。
控制漂移
用户输入"向左"后，镜头或角色可能响应不足、延迟响应，或者执行了视觉上相似但语义不同的动作。
因果漂移
已经完成的事件可能被后续画面撤销。例如门已经打开，下一段又自动关闭；物体已被破坏，之后重新完整出现。
因此，"无限世界"应当被理解成一种生成接口和训练目标，而不是对无限时长一致性的数学保证。
Agentic Harness 在做什么
LingBot-World 2.0 把交互控制扩展到了 Agent。官方描述了两个角色：
text
Pilot Agent：规划并执行角色动作
Director Agent：随着场景推进，生成新的环境元素和事件这会形成一个两层闭环：
世界模型提供可观察环境；Pilot 负责局部行为；Director 负责场景扩展。这个结构可以用于自动探索、游戏测试、数据生成或 Agent 评估。
但公开仓库主要提供世界模型推理，而不是一套可以直接复现官方 Agent 系统的完整产品栈。Agent 的规划模型、状态抽取、控制协议、故障恢复和并发调度仍然是独立工程问题。
它可以生成什么类型的视频
LingBot-World 2.0 的输入是初始图像、文本描述和控制序列。公开演示覆盖写实、幻想、室内、自然环境和角色交互等场景。
它适合的输出包括：
- 第一人称或第三人称可移动场景；
- 受相机轨迹控制的环境探索；
- 角色攻击、射击、施法等行为；
- 文本触发的环境事件；
- Agent 连续操作产生的世界状态视频。
它不等于传统游戏引擎。公开模型没有显式输出可编辑网格、碰撞体、刚体参数、导航网格或确定性的游戏状态。视频中"看起来发生了碰撞"，不代表存在可查询的物理碰撞对象。
更准确的定位是：一个以视频作为状态表示、以生成模型作为转移函数的神经世界模拟器。
开源状态与许可证
截至 2026 年 7 月 11 日，官方公开内容包括：
- LingBot-World 2.0 GitHub 仓库；
- 14B causal-fast 权重；
- 基于 Wan2.2 的推理代码；
- 480P、8 GPU 参考命令；
- 因果分块生成和 KV Cache；
- 技术报告；
- 示例输入和动作控制文件。
没有公开的部分包括：
- 官方 720p、60 FPS 生产部署代码；
- 官方完整实时服务架构；
- 生产环境使用的调度、量化和内核优化；
- 1.3B World 2.0 权重；
- 完整 Agentic Harness 产品代码。
官方仓库明确表示不计划发布生产部署代码，并建议参考 SGLang 的 LingBot-World 部署或 flashdreams。
许可证为 CC BY-NC-SA 4.0：
- 必须署名；
- 只允许非商业使用；
- 修改和衍生作品必须采用相同许可证。
这意味着它可以用于研究、教学和非商业实验，但不能仅凭公开权重就投入商业产品。
官方公开推理配置
官方当前公开的命令使用 8 个 GPU 进程：
bash
torchrun --nproc_per_node=8 generate.py \
--task i2v-A14B \
--size 480*832 \
--ckpt_dir lingbot-world-v2-14b-causal-fast \
--image examples/03/image.jpg \
--action_path examples/03 \
--dit_fsdp \
--t5_fsdp \
--ulysses_size 8 \
--frame_num 361 \
--local_attn_size 18 \
--sink_size 6 \
--prompt "A serene lakeside scene..."这个命令明确了公开参考路径：
text
分辨率：480 × 832
帧数：361
GPU 进程：8
并行：DiT FSDP + T5 FSDP + Ulysses 8
生成方式：因果分块 + KV Cache361 帧不等于无限时长。无限交互需要外层服务持续提交控制信号、保存状态并串联生成块，公开命令只是单次研究推理入口。
模型体积与资源需求
Hugging Face 上的 lingbot-world-v2-14b-causal-fast 模型仓库约 86.1 GB，其中包含 14B 世界模型、UMT5-XXL 文本编码器、VAE、Tokenizer 和其他组件。
模型包体积不能直接等同于显存，但可以判断单卡装载边界：
- 14B BF16 主模型参数理论上约占 28 GB；
- 文本编码器、VAE 和其他权重继续占用内存；
- 长视频注意力、KV Cache、扩散中间张量和 CUDA 工作区会显著增加显存；
- 公开代码按 8 GPU 分片设计。
单卡 A6000 48GB 能否运行
按官方公开路径，答案是：不能作为受支持配置。
原因不是单纯"14B 大于 48GB"，而是完整系统包含多个组件和长视频状态，且官方没有提供 World 2.0 的单卡 CPU Offload、量化或低显存脚本。
理论上可以自行进行以下改造：
- 将文本编码器和 VAE 卸载到 CPU；
- 对 DiT 进行 8-bit 或 4-bit 权重量化；
- 缩短帧数与上下文窗口；
- 降低分辨率；
- 分阶段加载组件；
- 将部分 KV Cache 放到主机内存。
但这些都不是官方验证路径，可能导致速度极慢、量化不兼容、注意力 OOM 或质量下降。不能把"理论上可以改造"写成"单卡 48GB 可以直接跑"。
单卡想先验证 LingBot 世界模型，现实选择是 World 1.0 的社区 NF4 量化版本。World 1.0 官方 README 对显存受限用户给出了该方向，但它不是 World 2.0，也不具备 Infinity 的全部能力。
8×A6000 48GB 能否运行
8×A6000 的拓扑与官方 8 rank 命令一致，总显存 384 GB，从容量上具备运行公开 14B causal-fast 推理的条件。
建议资源规划如下。除官方命令外，内存和磁盘数值是工程估算，不是官方最低配置：
| 资源 | 建议 | 性质 |
|---|---|---|
| GPU | 8×RTX A6000 48GB | 与官方 8 GPU 进程匹配 |
| 总显存 | 384 GB | 硬件事实 |
| 系统内存 | 256 GB 起步，512 GB 更稳 | 工程估算 |
| 本地磁盘 | 至少 200 GB NVMe | 工程估算 |
| PyTorch | 2.4 及以上 | 官方要求 |
| FlashAttention | 需要安装 | 官方要求 |
| 精度 | 以官方 checkpoint 和代码默认值为准 | 不应擅自假设 |
A6000 可以解决显存容量，但不会复现官方生产系统的吞吐。影响性能的因素包括：
- A6000 是 Ampere 架构，计算和低精度能力弱于 H100/H200；
- 多卡通信取决于 NVLink 拓扑和 PCIe 带宽；
- Ulysses Sequence Parallel 对跨卡通信敏感；
- 长视频 KV Cache 会增加显存访问和同步成本；
- 生成速度还受到 CPU、磁盘和首次模型装载影响。
公开仓库没有给出 8×A6000 的帧率或总生成时间。因此，正确表述是"容量上可运行公开路径"，不是"能够达到 720p、60 FPS"。
公开代码与官方实时系统不是同一个交付物
这是评估 LingBot-World 2.0 时最重要的边界。
| 能力 | 官方描述 | 公开仓库可直接复现 |
|---|---|---|
| 14B causal-fast 权重 | 是 | 是 |
| 480P、361 帧、8 GPU 推理 | 是 | 是 |
| KV Cache 因果分块生成 | 是 | 是 |
| 720p、60 FPS 实时流 | 是 | 否，生产代码未公开 |
| 无限交互服务 | 是 | 需要自行搭建外层状态与请求循环 |
| Agentic Harness 完整系统 | 是 | 否，不是开箱即用模块 |
| 商业部署 | 许可证限制 | 不允许 |
官方演示指标说明团队内部系统的上限，不构成公开仓库在任意 8 卡机器上的性能承诺。
如何评估一个世界模型是否真的可用
普通视频评价指标不足以判断交互式世界。至少需要以下测试。
控制响应
连续输入前进、后退、左转、右转、攻击和停止，检查动作是否及时、方向是否正确、是否存在控制串扰。
闭环一致性
执行一组动作后回到起点，检查场景结构和对象身份是否保持。只看单向移动无法发现回环漂移。
因果持久性
对世界做出可观察改变，例如打开门、拿走物体、破坏障碍物，然后经过多轮生成检查结果是否持续存在。
长期退化
记录第 1、10、50、100 个生成块的画质、几何、角色身份和控制准确率，而不是只展示最初几十秒。
反事实可控性
从同一初始状态分别执行不同动作，观察生成结果是否产生有意义的分叉。若不同控制得到近似视频，模型并未真正使用控制信号。
延迟分解
将性能拆为模型装载、文本编码、每块扩散、VAE 解码、跨卡同步、视频编码和端到端响应时间，避免只报一个模糊 FPS。
它适合哪些项目
LingBot-World 2.0 适合：
- 交互式视频世界研究；
- 生成模型中的长期记忆与因果建模；
- Agent 在视频世界中的规划与探索；
- 游戏概念验证和视觉原型；
- 为机器人或具身模型生成高层视觉经验；
- 多卡视频推理、KV Cache 和序列并行研究。
它不适合直接替代：
- 需要确定性碰撞和可查询状态的物理仿真器；
- 要求商业授权的游戏或内容产品；
- 单卡实时部署；
- 要求公开代码复现官方 720p、60 FPS 指标的项目；
- 对几何、物理和状态一致性要求可验证的安全关键系统。
结论
LingBot-World 2.0 的核心不是"生成更长的视频"，而是把视频生成改造成一个可以持续接受动作和事件的因果状态转移系统。它公开了 14B causal-fast 权重和 8 GPU 研究推理代码，足以研究连续生成、控制响应和 KV Cache，但没有公开官方 720p、60 FPS 生产部署栈。
对单卡 A6000 48GB，不应把 World 2.0 当作可直接部署模型；对 8×A6000 48GB，可以按官方 8 rank 路径进行离线研究推理，但速度和实时性必须实测。
最准确的认知是：
text
LingBot-Video：生成一段视频
LingBot-World：让视频世界在控制下继续发生
游戏引擎：维护显式、可查询、确定性的世界状态LingBot-World 位于视频生成与交互式模拟之间。它拓展了生成模型的交互边界，但尚未消除神经视频世界在长期一致性、显式状态和可验证物理上的限制。
参考资料
- LingBot-World 2.0 官方 GitHub
- LingBot-World 2.0 项目页
- LingBot-World 2.0 论文
- LingBot-World 2.0 14B causal-fast 权重
- LingBot-World 1.0 官方 GitHub
错误速查卡
| 症状 | 根因 | 定位 | 修复 |
|---|---|---|---|
| 把 LingBot-World 2.0 当成「更长的视频生成器」 | 它是因果分块 + KV Cache 的状态转移系统，不是固定长度视频采样 | 看「因果视频生成如何维持连续世界」节 | 用「当前状态 + 控制 → 下一段状态」理解；输出只是状态表示 |
| 误以为 World 2.0 是 World 1.0 的无约束升级 | 许可证改为 CC BY-NC-SA 4.0，限制商用 | 看「World 1.0 与 World 2.0 的关系」节 | 商用前看许可证；要 Apache 2.0 用 World 1.0 |
| 把「无界交互时长」当成长度保证 | 它是生成接口和训练目标，不是无限时长一致性的数学保证 | 看「"无限"不代表不会漂移」节 | 看四类长期漂移：几何/身份/控制/因果 |
| 把 720p / 60 FPS 当作公开仓库性能承诺 | 公开命令是 480P/361 帧/8 GPU；720p/60 FPS 是官方生产系统上限 | 看「公开代码与官方实时系统不是同一个交付物」表 | 按 8 GPU/480p 估算；不要把官方演示当复现性能 |
| 误以为单卡 A6000 48GB 能直接跑 World 2.0 | 14B 主模型 + UMT5 + VAE + 长视频 KV Cache；官方未提供单卡 offload 脚本 | 看「单卡 A6000 48GB 能否运行」节 | 走 8 GPU 路径，或退回 World 1.0 NF4 量化版（Apache 2.0） |
| 把 8×A6000 当成能复现 720p/60 FPS 的硬件 | A6000 是 Ampere 架构 + Ulysses SP 通信敏感 + 长视频 KV Cache；官方未给 8×A6000 实测帧率 | 看「8×A6000 48GB 能否运行」节 | 表述成「容量可运行公开路径」，不报帧率 |
| 误以为 World 2.0 已经有 1.3B 公开权重 | 1.3B 蒸馏版在官方介绍中提及，⚠️ 截至 7-11 未独立命中公开下载源 | 看版本矩阵 1.3B 行 | 现阶段以 14B causal-fast 为唯一公开权重 |
| 把 Agentic Harness 当成开箱即用的产品 | 公开仓库主要给世界模型推理，不是 Agent 产品栈 | 看「Agentic Harness 在做什么」节 | Agent 规划 / 状态抽取 / 控制协议 / 故障恢复 / 调度需自己搭 |
| 用普通视频评估指标判断世界模型质量 | 普通指标只评画质和运动，不评控制响应和长期记忆 | 看「如何评估一个世界模型是否真的可用」节 | 跑 6 类测试：控制响应 / 闭环一致性 / 因果持久性 / 长期退化 / 反事实可控性 / 延迟分解 |
| 误以为商业产品可以直接用 World 2.0 权重 | CC BY-NC-SA 4.0 限制商用；衍生作品必须同许可证 | 看「开源状态与许可证」节 | 商用前评估许可证边界，或等 Apache 2.0 的 World 1.0 / 商业授权 |