你在游戏里走过一座桥，绕了一圈再回来，通常会认出同一座桥。生成式世界却未必如此：它一边接收操作，一边临时画出下一帧，早先的小错误会被带进后续画面。玩得越久，纹理越容易糊，建筑越容易变形，整个场景也可能慢慢“走样”。LingBot-World 2.0 想解决的正是这个问题：让 AI 生成的世界可以长时间连续演下去，同时接受比移动镜头更丰富的操作。
作者将新版称为 LingBot-World-Infinity，并声称它实现了“不受限的交互时域”。交互时域，就是系统能连续接收动作、又维持环境连贯的时间长度。“不受限”在这里首先是一种设计方式：系统没有预设固定终点，并不表示任何一次运行都绝不会出错。论文展示了一次超过一小时的不间断生成，作者称其间没有可感知的画质衰减。不过，目前所有效果都来自作者团队的论文及成果材料，尚无外部独立复现。
为什么生成越久，反而越难
LingBot 属于世界模型（world model）：它学习环境会怎样随动作变化，像一个根据“向左走”“拉弓射箭”继续演出下一幕的内部模拟世界。这里的世界不是预先搭好的地图，而是模型逐帧生成的视频。
这种做法有一个天然麻烦。每一帧都依赖此前生成的画面。如果上一帧把门框画歪了一点，下一帧就会把这个歪门框当成事实继续推演。错误如此反复进入输入，最后可能变成模糊纹理、扭曲几何或场景漂移。论文称，既有系统往往只能稳定几秒到几分钟。
LingBot 的核心思路是把整个过程严格写成因果生成：模型只能根据已经发生的画面、相机动作和文字指令预测接下来会发生什么，不能“偷看未来”。这就是因果预训练（causal pretraining）。训练数据也不只配一段概括整条视频的说明，而是把视频切成多个时间块，分别标注人物动作、交互状态和环境变化。这样，模型学到的不是笼统的“这是一次战斗”，而是此刻挥剑、随后命中、环境接着发生变化。
团队还设计了 MoBA 注意力掩码。注意力可以理解为模型决定“当前画面该参考哪些信息”的机制。纯粹按时间向前训练时，模型可能过度依赖干净的历史画面，真正自己连续生成后反而容易失稳。MoBA 在因果约束之外混入一部分可双向观察的训练任务，把它当作正则化手段，减少这种过度依赖，同时保留原有视频生成器的画质。
先教会它，再让它跑快
高质量视频模型通常要经过很多轮去噪才能产出画面，适合离线生成，却不适合实时操作。LingBot 因此采用蒸馏（distillation）：让较小或较快的“学生模型”模仿较强的“教师模型”，把多步生成压缩成少数几步。
这里用了两层约束。第一层让学生在同一条生成轨迹的不同位置给出一致结果，以减少去噪步骤。第二层让学生生成的画面分布继续靠近训练数据，并且专门在学生自己的长序列输出上训练。后一点很重要：系统部署后看到的是自己刚刚生成的画面，而不是训练集里的标准答案。让它提前在自己的错误上练习，目的就是降低错误越滚越大的风险。
论文称，蒸馏后的实时版本可以驱动 720p、60 fps 视频流，并展示了超过一小时的连续生成。部署侧还把生成、画面解码、空间细化和补帧并行处理，画面一旦解码就立即传给用户，不必等完整片段全部完成。主要模型规模为 14B，另有一个支持单张 GPU 部署的 1.3B 版本。但论文没有说明单卡部署与 720p、60 fps 是否指同一个版本和同一套硬件条件，因此不能把两项表述直接合并成“任意单卡都能跑到 60 fps”。
不只是在风景里散步
上一代世界模型常见的交互，是控制镜头前后左右移动。新版把动作扩展到攻击、射箭、施法和射击，也允许文字直接改变世界：例如切换昼夜、召来雨雪，或让新的生物进入场景。
系统为此加入一套 agentic harness——围绕生成模型搭建的代理协作框架。Director 由视觉语言模型承担：它观察当前画面，判断用户操作可能带来什么结果，再提出后续事件。底层视频生成器则扮演 Pilot，把这些语义指令落实为连续画面。用户既可以直接触发角色动作，也可以选中被持续追踪的物体进行更精确的操作。
界面把这套机制做成了类似游戏的控制台：WASD 控制移动，IJKL 控制视角，固定按键负责跳跃等动作，Director 还会根据当前场景生成可选事件。用户也能把自定义事件绑定到数字键。论文另称界面支持多人同时进入模拟器，但没有披露并发人数、同步机制或多人压力测试结果。
真正值得看的，是“世界”标准变了
LingBot 的进展不只在于视频更清楚。它把世界模型的评价重点从“能生成一段好看的演示”推向三个同时成立的条件：连续运行、及时响应、可控事件。超过一小时的案例至少说明，团队已经开始用长时间自回放检验稳定性，而不再只展示几秒钟的精选片段。
代理框架也改变了系统的角色。单独的视频模型只负责预测下一段画面；Director 持续补充事件和语义因果后，系统才更像一个不会立刻耗尽内容的互动环境。不过，这仍不等于它拥有完整的世界状态。画面连贯、事件合理和世界真正持久，是三件不同的事。
局限与未知
- 它稳定，但不会真正记住世界。 论文明确承认，某个区域离开上下文后，再次返回时往往会被重新生成，而不是准确恢复。它保持的是视觉上的延续，不是地点和物体身份的永久存在。
- 长时间一致性仍会松动。 角色外观和整体风格可能缓慢变化；模型只从像素学习动态，没有显式几何与碰撞规则，人物或物体偶尔会互相穿透。
- “无界”和“实时”仍缺少完整测量。 论文给出一小时案例，却未披露更长测试、客观质量曲线、硬件型号、显存、端到端延迟和多人规模。作者也承认实时版本仍需大量计算资源。因此，更稳妥的结论是：LingBot 把可持续交互显著推长，并展示了更丰富的控制能力；它距离一个真正能记住历史、守住物理规则且可普遍部署的“无限世界”，还有几道关键门槛。