Robbyant, la división de inteligencia incorporada de Ant Group, publicó LingBot-World-Infinity, también llamado LingBot-World 2.0, un modelo de generación de video de 14.000 millones de parámetros que funciona como un simulador de mundos interactivo. En lugar de reproducir un clip fijo, el sistema produce cada fotograma sobre la marcha y responde a las acciones del usuario, según la información publicada por la propia compañía.
La promesa central del lanzamiento es sostener escenas coherentes durante mucho tiempo. El informe técnico muestra una sesión ininterrumpida de 60 minutos que recorre 20 escenarios distintos, una duración inusual para este tipo de modelos, que suelen degradarse rápido.
Qué problema intenta resolver
Los modelos de mundo interactivos arrastran un defecto conocido como deriva de largo plazo (long-horizon drift): a medida que el sistema genera imágenes a partir de sus propias salidas anteriores, las texturas se emborronan y la geometría se deforma. El resultado es un mundo que se vuelve incoherente tras unos pocos minutos.
Para atacarlo, Robbyant introduce una máscara de atención que combina procesamiento bidireccional y autorregresivo, bautizada MoBA, junto con una técnica de destilación que ajusta el modelo sobre trayectorias largas generadas por él mismo. La idea es que aprenda a mantener la consistencia cuando debe apoyarse en su propia memoria visual, no en datos externos.
El generador se envuelve en una estructura de agentes llamada Director-Pilot. Un modelo de visión y lenguaje —un sistema capaz de interpretar imágenes y texto a la vez— actúa como director: propone qué eventos deben ocurrir, dónde aparecen nuevos personajes u objetos y en qué punto tiene sentido introducirlos. El Diffusion Transformer, el componente que dibuja las imágenes, se encarga de renderizar esas decisiones cuadro a cuadro. La documentación del proyecto está disponible en su repositorio en GitHub y en su colección en Hugging Face.
Un lanzamiento más acotado que el paper
La liberación es notablemente más modesta que las capacidades descritas en la investigación. Robbyant publicó un solo checkpoint del modelo y un script de referencia a resolución 480p, pero no incluyó código de despliegue ni pruebas cuantitativas de rendimiento que permitan comparar el sistema con otros modelos de mundo. Tampoco hay cifras de latencia ni de consumo de cómputo.
La licencia también marca límites: se distribuye bajo CC BY-NC-SA 4.0, que prohíbe el uso comercial. Es decir, cualquier equipo puede estudiarlo, modificarlo y experimentar con él, pero no incorporarlo directamente a un producto de pago sin un acuerdo aparte.
Esa combinación —modelo abierto para investigación, sin herramientas de producción ni métricas verificables— sugiere que se trata de una demostración de arquitectura más que de un sistema listo para desplegar. La sesión de una hora es la carta de presentación, pero sin benchmarks públicos resulta difícil evaluar qué tan estable es el resultado fuera de los escenarios elegidos.
La apuesta de Ant Group por lo incorporado
El movimiento encaja con la estrategia reciente de Robbyant, que viene publicando modelos abiertos orientados a robótica y percepción. La unidad ya había liberado LingBot-VLA 2.0 para controlar robots de distinta forma física y un modelo visual compacto pensado para dispositivos de borde.
Los modelos de mundo interesan a la robótica porque permiten entrenar y probar comportamientos en entornos simulados baratos antes de llevarlos a un cuerpo físico. Un simulador capaz de mantener coherencia durante una hora ofrece un banco de pruebas más largo y variado que los clips cortos habituales. Habrá que ver si otros equipos logran reproducir esos resultados una vez que trabajen con el checkpoint publicado.
