斯坦福的研究，红海的珊瑚，与一个中国模型

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。

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。

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，最终让学生模型单步推理的平均成功率由 35.3%提高到 51.2%，增加 15.9 个百分点。

这些研究延续了灵波已经完成的不同部分。有人使用模型能力，有人沿用工程实现，再将自己的训练资源和研究方法投入其中……而当一个领域的新研究都用灵波来做实验、当别人要证明自己的方法有效首先得跑过灵波的基线时，灵波也不再只是一个参赛者，更是这个赛道的度量衡。

能被学术圈使用，依然还是小圈子里极具门槛的事，全球开发者的二次创造，为开源产品带来了第二次生命。

LingBot-World 2.0 除了 14B 的完整版，还开源了一个面向普通开发者的 1.3B 快速版，面向普通开发者。很快就有人拿去试手。

爱沙尼亚的独立开发者 Kaarel Kaarelson，就是最早把灵波的性能潜力榨干给所有人看的人之一。他在生成式 AI 圈里小有名气，擅长给开源模型做推理优化，别人跑不动的模型，到他手里总能快上一截。

9 月，他拿到 LingBot-World 2.0 的 1.3B 版本代码后，一头扎了进去。他先在云平台租了一张 RTX 5090，32GB 显存，跑官方的 1.3B 版本。在他的设置下，原始实现生成一秒钟、16 帧的视频需要 2.68 秒。用户持续移动时，画面生成赶不上播放。

于是，接下来整整两周，他从把 VAE 精度从 FP32 降到 FP16 开始，替换注意力算子为 SageAttention，线性层做 FP8 行式量化，用 torch.compile 把十几张计算图合并成一张，再把层间的 CPU-GPU 同步从 110 次砍到 2 次，最后做算子融合。

每改一步，他就记一组耗时，连每个算子离硬件理论峰值差多少都算得清清楚楚。

最终结果出来的时候，连他自己都意外：同一张显卡，原版 6 帧每秒，他优化完跑到了 16.1 帧，速度翻了 2.7 倍，画质几乎无损。

他把对比视频和代码一起放到 GitHub 和 X 上。左边是原版卡顿的龙穴场景，右边是丝滑流畅的 16 帧版本。那条帖子很快在圈子里传了起来。科技媒体 Prismix 专门写了报道，认为它在动态模拟上已经超过了闭源的 Genie 3。

Mac 用户群体也没有缺席。PandacatAI 完成了更底层的 MPS 后端移植，用 M4 Pro、48GB 统一内存，配上 8 位量化的文本编码器和磁盘提示词缓存，让 Mac 用户也能用 LingBot-World 本地生成世界。

开发者 Don Allen III 则为 LingBot-Map 做了一个完整的 Mac 桌面封装：用户把视频拖进窗口，就能在本地生成三维点云。全程可视化进度，最终导出点云文件。

开发者的热情攒到一定程度，产业端的官方主动适配就成了水到渠成的事。

要了解合作伙伴们究竟如何看待灵波，英伟达与 AMD 这对宿敌的默契，或许是最好的例证。