LingBot-Video、MoE方式のビデオ基盤モデルを発表 身体知能向けに公開

何が起きたか

研究チームは2026年7月8日、身体知能向けのビデオ事前学習手法「LingBot-Video」を発表した。DiTベースのアーキテクチャにMixture-of-Experts（MoE）を採用し、ロボット動作データを統合したデータプロファイリングエンジンと、物理的合理性を評価する多次元報酬システムを導入している。

詳細

LingBot-Videoは、ビデオ生成モデルが持つドメインミスマッチ（コンテンツ生成に焦点を当て、計算効率や物理的現実性を軽視する傾向）を解消することを目的とする。アーキテクチャでは、高密度（dense）ではなくMoEフレームワークを採用し、モデル容量と推論効率のトレードオフを改善する。データ面では、標準的なインターネットビデオに、操作、ナビゲーション、一人称視点を含むロボット向け映像を追加するデータプロファイリングエンジンを構築した。トレーニングでは、美観、プロンプト追従、動作一貫性に加え、物理的合理性とタスク完了を強制する多次元報酬システムを開発した。

Key Facts

本紙の見方

今回の発表は、ビデオ生成モデルを身体知能（embodied intelligence）に応用する流れの中で、アーキテクチャとデータの両面で新たな方向性を示すものだ。従来のビデオ生成モデルは、コンテンツ制作を主目的とし、視覚的な忠実度や創造性を優先する一方で、計算効率や物理的現実性が軽視される傾向があった。LingBot-Videoは、このドメインミスマッチを解消するために、MoEアーキテクチャを採用し、ロボット動作データを統合したデータエンジンを構築した点が特徴的である。 本紙の過去報道との接続は、関連記事が提供されていないため直接の言及は避けるが、身体知能分野におけるビデオ基盤モデルの進展は、ロボット制御の学習方法に影響を与える可能性がある。特に、MoE方式は推論効率を重視する実ロボット応用において有利とみられ、今後のロボット学習の標準的なアプローチになる可能性がある。 業界構造への含意としては、ビデオ生成モデルの開発競争が、コンテンツ制作から身体知能へと拡大していることが挙げられる。オープンソースで大規模なMoEビデオ基盤モデルを公開することで、研究コミュニティやスタートアップがこの技術を基盤に応用開発を進めやすくなる。一方で、データエンジンや報酬システムの詳細は公開情報からは不明であり、物理的合理性の評価方法がどのように実装されているかが今後の焦点になる。 未確定の論点としては、LingBot-Videoの具体的なパラメータ数や学習データ量、推論速度などの性能指標が示されていない点が挙げられる。また、オープンソースとして公開されるとされているが、ライセンスや利用条件も未公表である。これらの情報が明らかになれば、身体知能分野におけるビデオ基盤モデルの実用性を評価する材料となる。

なぜ重要か

身体知能向けのビデオ基盤モデルは、ロボットが環境を理解し行動を学習する方法を変える可能性がある。LingBot-Videoの公開は、この分野の研究を加速させる一歩となるが、その実用性は今後の詳細な評価に依存する。