7月9日、MarkTechPostが「Meet LingBot-World-Infinity: An Open Causal World Model With An Agentic Harness」と題した記事を公開した。Ant Groupのロボティクス部門Robbyantが開発したオープンな因果世界モデル「LingBot-World-Infinity」は、ゲームエンジン不要でテキスト指示のみからリアルタイムの3D環境をインタラクティブに生成できる。公式デモでは60分のロールアウトが示され、軽量版の1.3BモデルはRTX 3090など単一GPUでの動作を謳う——この記事ではその技術的な仕組みと現在の公開状況を詳しく紹介する。
何が問題で、何を解いたのか
「インタラクティブ世界モデル」とは、ユーザーのアクション入力を条件に動画をフレーム単位で生成し続けるシステムだ。ゲームエンジンなしに、テキストや操作指示だけでリアルタイムの3D環境を生成できる。
この分野の既存手法には二つの根本的な問題がある。
- 長期ドリフト：長い動画を生成するほど、過去フレームへの依存が強まり画質が劣化する
- インタラクション遅延：リアルタイム操作に耐えられない推論速度
LingBot-World-Infinity（LingBot-World 2.0）は、この二つを正面から狙った設計になっている。主モデルは14Bパラメータ、軽量版は1.3Bで単一GPU動作を謳う。
コアの技術：MoBA注意機構 + 二段階蒸留
最も重要な技術貢献はMixture of Bidirectional and Autoregressive（MoBA）Attention Maskだ。
通常の自己回帰型動画学習では、各フレームが過去の「きれいなフレーム」を参照するteacher forcingマスクを使う。問題は、コンテキストが長くなるにつれてモデルがそこに依存し、将来フレームの予測能力を失うことだ（過学習と画質劣化につながる）。
MoBAはこのteacher forcingマスクに双方向の全結合アテンションブロックを追加することで正則化器として機能させる。これにより可変長生成にも対応する。
長期ドリフト対策のもう一つの柱が分布マッチング蒸留（DMD）の使い方だ。通常のteacher forced状態だけでなく、モデル自身の予測が誘発する長い自己ロールアウト軌跡に対してDMDを適用する。モデルが自分の出力する状態分布上で最適化されるため、「推論時のドリフト」を直接抑制できるという設計だ。
事前学習はconditioned flow-matchingで行い、事後学習で多ステップ教師モデルを少ステップの生徒モデルへ圧縮する（一貫性蒸留 → DMD）。
エージェントハーネス：世界モデルを「対話できるゲームエンジン」に変える
フレーム予測器だけでは「動画生成器」に過ぎない。RobbyantはこれにDirector-Pilot Co-Simulation Frameworkを被せた。
- Director（VLM）：マクロな意味ルールと因果推論を担当。現在フレームを読んで「イベントカード」を生成する
- Pilot（拡散トランスフォーマー）：低レベルの物理ダイナミクスとフレーム遷移のレンダリングを担当
インタラクションは二つのモードで動作する。
Mode A（直接意味インタラクション）：VLMが現在フレームを見てイベントを提案。オブジェクトマスク不要。
Mode B（追跡補助オブジェクトインタラクション）：SAM（Segment Anything Model）ベースのトラッキングループがオブジェクトをチャンク間で追跡。ドア開けやボール回転などの操作が可能。
テキスト介入も可能で、「天気を変える」「新しいキャラクターを召喚する」といったグローバル状態変更をVLMが判断してシーンに反映する。操作インターフェースはゲームパッド的で、WASDで移動、IJKLで視点制御、Spaceでジャンプなどのキーバインドが定義されている。
重要な注意点：公開スクリプトと宣伝スペックの乖離
宣伝されている720p/60fpsはTensorRTで実装された非公開のデプロイスタックが前提だ。時空間リファイナーがデコード済みフレームをアップサンプルし、中間フレームを補間することで実現しているが、現在の公開スクリプトではそのパフォーマンスには届かない点に注意が必要だ。
何が動いて、何が動かないか
現時点でダウンロードできるのは lingbot-world-v2-14b-causal-fast のみ。因果事前学習済み14B、双方向14B、両方の1.3Bは「TODO」状態だ。セットアップは公式リポジトリの手順（torch >= 2.4.0、flash-attnのインストール、Hugging Faceからのチェックポイント取得）に従う形になっている。
公開リファレンスの推論スクリプトは8GPU・480×832構成で、引数として画像・アクションパス・プロンプトなどを指定して実行する。Diffusersチェックポイントも用意されており、より簡潔にパイプラインとして呼び出すことも可能だ。実装の詳細は公式リポジトリを参照されたい。
比較と注意点
論文が示す比較表では、M-G 3.0、Dream-World、Genie 3といった競合に対して「生成時間が無制限」「意味インタラクションが無制限」という優位性を主張している。ただし比較はすべて定性的で、フレームグリッドの並列表示のみ。VBenchやFVDなどの定量評価指標は使われていない。60分ロールアウトの1事例のみが示される形だ。
ライセンスはCC BY-NC-SA 4.0（非商用）。
なお、元記事末尾にはAnt Researchチームがこのコンテンツのプロモーションを支援したことが明記されている。技術的な主張を読む際は、この点を念頭に置いたうえで客観的に評価することが望ましい。
詳細はMeet LingBot-World-Infinity: An Open Causal World Model With An Agentic Harnessを参照していただきたい。
