面向具身智能的混合专家（MoE）视频预训练扩展

arXiv 2026 36 method

TLDR

LingBot-Video是一种面向具身智能的混合专家视频预训练范式，利用机器人数据和多维奖励连接数字创意与物理执行。

评分理由

Strengths include a novel MoE architecture for efficiency, a data profiling engine with robot-oriented footage, and a multi-dimensional reward system for physical realism. Weaknesses are the lack of quantitative results and limited comparison to baselines in the abstract.

Read-first 评分解释

综合优先阅读分 36，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 38。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

主题相关性 29%

54.3

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：评估

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：186。

关键词评分

video world model

generative world model

world dynamics prediction

world model

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

面向具身智能视频预训练的混合专家（MoE）架构，从零开始规模化
数据画像引擎，通过大量面向机器人的视频素材（操作、导航、第一人称视角）增强互联网视频，以灌输对动作和世界动态的理解
多维奖励系统，用于对齐物理合理性和任务完成，超越标准的美学和指令遵循标准
LingBot-Video作为首个大规模开源MoE视频基础模型，连接数字创意与物理执行

方法

本文提出了一种基于DiT的视频预训练范式，采用混合专家（MoE）架构以平衡建模能力和推理效率。构建了一个数据画像引擎，将互联网视频与面向机器人的视频素材（操作、导航、第一人称视角）相结合。在训练过程中，一个多维奖励系统强制对齐物理合理性和任务完成。

关键结果

综合评估表明，该模型作为面向具身智能的视频基础模型，在性能和效率方面表现出色。

技术栈

DiTMixture-of-Experts (MoE)Data profiling engineMulti-dimensional reward system

资源

论文