Robbyantは「オープンソース」と繰り返します。しかしGitHubに置かれたライセンスはCC BY-NC-SA 4.0、商用利用は認められません。前バージョンはApache 2.0でした。1時間の連続生成も、720p/60fpsも本物かもしれない。ただ、その世界を仕事で使えるかどうかは、また別の話です。
Ant Group傘下のエンボディドAI企業Robbyantは2026年7月9日、上海で、インタラクティブなワールドモデルLingBot-World 2.0（Infinity）の公開を発表した。
同社によれば、分単位の安定生成だった1.0に対し、2.0は1時間規模の連続生成と720p/60fpsの高精細リアルタイム出力に対応する。Causal Pretraining Paradigmと独自のMoBA（Mixture of Bidirectional and Autoregressive Attention Mask）機構を組み合わせ、長時間生成で生じる誤差の蓄積を抑えたとしている。攻撃、弓を射る、呪文、ジャンプ、滑空などの動作に対応し、テキストコマンドで昼夜サイクルや天候変化を発生させることもできる。行動を計画・実行するPilot Agentと、新たなイベントを導入するDirector Agentからなるデュアルエージェント機構を備え、複数ユーザーが同じ生成世界に参加するマルチプレイヤーにも対応する。SGLangにday-0対応し、Reactor、GitHub、Hugging Faceで提供する。技術レポートは前日の7月8日にarXivで公開された。また、Robbyantは発表日の7月9日、MoEアーキテクチャに基づく動画生成基盤モデルLingBot-Videoも公開している。
From: Robbyant Unveils LingBot-World 2.0: Pioneering Hour-Long Real-Time Generation in World Models
【編集部解説】
まず押さえておきたいのは、この発表が単独のニュースではないという点です。Robbyantは7月7日にLingBot-Depth 2.0とLingBot-Vision、7月8日にLingBot-VLA 2.0、7月9日にLingBot-World 2.0とLingBot-Video、そして7月10日にLingBot-VA 2.0を発表し、計6モデルからなる「フルスタック公開週」を締めくくりました（Business Wireの発表日基準）。上海で開かれるWAIC 2026を目前に控えたタイミングであり、GitHubのREADMEでも「公式デモはWAIC 2026で」と案内されています。編集部の見方としては、これは中国のエンボディドAI勢が「知覚・行動・世界」の三層を揃えてみせる、一種の示威行動として読むのが妥当でしょう。
プレスリリースと技術論文が食い違っている
取材を進めるなかで、看過できない不整合が見つかりました。プレスリリースは同社の中核技術を「MoBA（Mask of Bidirectional Attention）」と表記していますが、技術論文が定義する正式名称は「Mixture of Bidirectional and Autoregressive Attention Mask」です。単なる略記の揺れではありません。論文が示すのは「自己回帰マスクに双方向成分を混合する」という設計であり、プレスリリースの表記はその内容を正しく表していません。複数の海外メディアがリリースの表記をそのまま転載していますが、私たちは一次情報である論文を優先します。なお、LLM分野にはMoonshot AIが公開した Mixture of Block Attention という同名略称の別技術も存在します。読者の皆さんが検索する際は、混同にご注意ください。
技術的な核心はどこにあるか
核心は「因果的事前学習（Causal Pretraining）」にあります。多くの従来型の動画生成モデルは、動画全体を一度に見渡す双方向アテンションを前提としており、これが長時間の逐次生成と相性が悪い。生成したフレームを次の入力に使い続けると、わずかな誤差が累積して増幅し、テクスチャがぼやけ、地形が溶け、世界が崩壊します。2.0はこれを、時間順に世界を予測する因果的な学習へ切り替えることで抑え込んだ、という主張です。ただし論文を読むと、MoBAは純粋な因果マスクではなく、双方向の成分を意図的に混ぜ込んでいることがわかります。「時間順にしか見ない」という単純化された説明は、正確ではありません。実装面では、KVキャッシュでチャンク単位に処理し、局所アテンション窓（local_attn_size）とシンク（sink_size）を併用する構成が公開コードから確認できます。
公開されたものを検証する
まずライセンスです。同社は繰り返し「オープンソース」という言葉を用いていますが、GitHubリポジトリのライセンスはCC BY-NC-SA 4.0、すなわち非商用限定です。OSI（Open Source Initiative）のオープンソース定義は利用分野による差別を認めておらず、非商用限定はこれと両立しません。前バージョンのLingBot-WorldがApache 2.0だったことを踏まえると、開放度としてはむしろ後退しています。商用利用を検討する日本のゲーム会社やスタートアップにとって、この一行は決定的な意味を持ちます。
次に公開範囲です。現時点で実際にダウンロードできるのは14Bの「causal-fast」推論モデルのみで、因果的事前学習の本体モデル、双方向モデル、1.3Bモデルはいずれも「TODO」のままです。デプロイ用コードも公開予定がないと明記されています。
そして、性能値の読み方です。720p/60fpsは、論文では蒸留版モデル自体の性能として、プレスリリースではReactor上での提供性能として説明されています。一方、公開READMEが示すローカル推論の例は480P（480×832）で、GPU 8枚構成。つまり、公開された成果物だけから720p/60fpsを同条件で再現できることは、まだ示されていません。SGLang経由での自前サービング自体は可能ですが、必要な計算資源は決して小さくないと見るべきでしょう。「ホスト型でしか動かない」のではなく、「手元で同じ数字を出せる保証がまだない」——ここは正確に区別しておきます。
その一方で、リリースが控えめすぎる部分もあります。GitHubのREADMEは「1時間」ではなく「Unbounded Interaction Horizon（無制限の対話地平線）」と表現しています。1時間という数字は、著者らが実施した単一の長時間セッション評価の一例と理解するのが自然です。
「永続的な世界」という言葉の重さ
ここも慎重に扱う必要があります。プレスリリースは「単一の永続的な世界（persistent world）」と表現していますが、論文自身は、コンテキストの外に出た場所や物体を厳密に記憶し続けているわけではなく、再訪時には再生成されることを限界として認めています。つまり、一般的なゲームサーバーが持つような完全な永続性とは異なります。複数ユーザーが同じ生成セッションを共有できる、と理解するのが実態に近いでしょう。
では何が本当に新しいのか。私たちが最も注目するのは、デュアルエージェント機構です。行動を計画・実行するPilot Agentと、シーンの進行に合わせて新しい要素を投入するDirector Agent。これは、生成された世界が「プレイヤーが操作しなければ止まっている書き割り」から、「放っておいても勝手に事件が起きる場所」へ変わることを意味します。ゲーム的に言えば、レベルデザイナーがモデルの内側に住み着いたわけです。ただし念のため補足すると、これはイベントが自律的に進行するという意味であって、モデル自身が学習し自己改変するわけではありません。世界モデルへのエージェント機構統合は「業界初」と同社は主張していますが、網羅的な第三者検証があるわけではない点も申し添えます。
競合と、本当の目的地
競合と並べてみると位置づけがはっきりします。Google DeepMindのGenie 3は720pで20〜24fps、数分の一貫性を保ちます。重みは公開されていませんが、現在はProject Genieとして同社の提供環境から試すことができます。テンセントは2025年12月に、動画生成型で対話的なHY-World 1.5（WorldPlay）を公開しました。なお、2026年4月に発表されたHY-World 2.0は、3D Gaussian Splattingやメッシュといった3D資産を出力する別系統のモデルであり、LingBot-World 2.0とは方式が異なります。同じ「世界モデル」という語のもとで、まったく違う設計が並走している点は、この分野を追ううえで押さえておきたいところです。ストリーミング動画型の直接の競合はMatrix-Gameシリーズ（2.0、3.0）などで、リアルタイム生成と長期記憶を競っています。この領域は、中国勢が「重みを配る」ことで存在感を高めつつある。LingBot-World 2.0は、その競争のなかで「時間軸の長さ」と「世界の自律性」を差別化軸に選んだ、と整理できます。
そして、忘れてはならないのが目的地です。Robbyantは高齢者ケアや医療補助、家事支援を掲げるロボット企業であり、ゲーム的なデモはあくまで表層にすぎない、というのが編集部の見方です。同社は前バージョンで「ゲームエンジンを無限のデータ生成器として扱う」と明言しています。世界モデルの主要な狙いのひとつは、ロボットが現実で失敗する前に、試行錯誤を重ねられる訓練場を作ることにある。同日公開されたLingBot-Videoが「ロボティクスのために再設計された動画基盤モデル」と説明され、翌日のLingBot-VA 2.0がフルスタックの締めくくりとして発表されたのは、その文脈です。
リスクと規制
リスクも率直に見ておきましょう。「品質劣化ゼロ」も「物理的妥当性」も、編集部が確認できた範囲では、いずれも著者・企業側の評価にとどまります。論文自身が、物理法則の破綻や物体の貫通が残ることを限界として挙げています。そもそも生成モデルにとっての物理は「もっともらしさ」であって「正しさ」ではありません。見た目が破綻しない世界で訓練したロボットが、現実の摩擦や重量に躓く可能性は残ります。マルチプレイヤー機能も、リアルタイム生成物をどうモデレーションするかという、想定される難題を抱えることになるでしょう。
規制面では、リアルタイム生成コンテンツの「表示義務」が争点になりそうです。中国では2025年9月1日に施行されたAI生成合成コンテンツ標識弁法が、明示的ラベルを義務づける類型のひとつとして「バーチャルシーンの生成・編集」を挙げています。中国の対象となるネットワーク情報サービス提供者にとっては、生成される世界そのものがすでに規制の射程に入っているわけです。EUではAI法（AI Act）第50条の透明性義務が2026年8月2日から適用されます。デジタル・オムニバスは2026年6月29日にEU理事会が最終承認しましたが、高リスクAIの期限を先送りする一方、第50条の透明性義務そのものは動かしていません。機械可読マーキングを求める第50条（2）についても、8月2日より前に市場投入済みのシステムに限って2026年12月2日まで猶予されるにとどまります。60fpsで生成され続ける世界に、どうラベルを貼るのか。法が求めるのは機械可読かつ検出可能な形式であり、従来の「動画ファイルに透かしを入れる」発想だけでは足りません。
長期的には、これは「レンダリングからシミュレーションへ」という置き換えの序章だと、私たちは見ています。3Dアセットを手で積み上げなくとも、モデルが直接ピクセルと因果を吐き出す。もっとも、現状の開発ではゲームエンジンや既存データが学習側で不可欠であり、エンジンが不要になるのは最終出力の段階だけです。それでも、ゲーム産業のコスト構造、ロボット学習のデータ調達、そして人間が「経験」と呼んできたものの定義は、この延長線上で確実に揺らぎます。ただし本稿執筆時点で編集部が確認できた範囲では、公開モデルを用いて1時間生成や720p/60fpsを同条件で再現した第三者検証は見当たりません。技術的な野心と、コミュニティによる実効的な検証とのあいだには、まだ距離があります。私たちがこの技術を最終評価するのは、その距離が埋まりはじめてからでも遅くはありません。
【関連記事】
Ant Group「R1」発表｜Tesla Optimusに挑戦するヒューマノイドロボットが料理デモを披露、中国AI競争が加速
今回の主役Robbyantが手がけたヒューマノイド「R1」。重量110kg、34自由度のこの身体に、LingBotの頭脳が接続される。約10か月前の記事だが、今回の6モデル公開はこの続きにあたる。
Odyssey「Agora-1」発表、最大4人が同じAI生成世界を共有するマルチエージェント・ワールドモデル
「複数人が同じ生成世界を共有する」という論点で最も近接する一本。Agora-1がシミュレーションとレンダリングを分離したのに対し、LingBot-World 2.0はピクセルを直接生成する。設計思想の対比が鮮やかだ。
Google DeepMind「Genie 3」発表｜リアルタイムで3Dゲーム世界を生成するAI最新モデル
本稿で比較対象とした720p・24fpsの競合。重みを配らない西側と、配る中国勢という構図を理解する起点になる。
【編集部後記】
言葉の使い方は、思っているより雄弁です。プレスリリースは中核技術を「Mask of Bidirectional Attention」と書きますが、論文の定義は「Mixture of Bidirectional and Autoregressive Attention Mask」。設計思想がまるで違う。同じ会社が同じ日に出した2つの文書で、名前が食い違っているわけです。
広報が急いだのか、社内で誰も気づかなかったのか。理由はわかりません。ただ、モデルの重みは配るけれど、それを説明する言葉は雑でいい——そんな順序が、この業界に染みついていないでしょうか。あなたがReactorで生成した世界を誰かに見せるとき、それを何と呼びますか。
【用語解説】
ワールドモデル（世界モデル）
世界の状態と、そこに加えられた行動の結果を予測するAIモデルの総称である。本稿で扱う映像型の世界モデルでは、動画生成モデルとの違いは、ユーザーやエージェントの入力を受け取り、その帰結を逐次生成する「対話性」にある。なお、3D資産を出力するタイプなど、映像を直接生成しない世界モデルも存在する。
エンボディドAI（具身智能）
身体を持ち、物理世界で知覚・行動するAIの総称。ロボットが代表例である。画面のなかで完結する生成AIと対比される概念で、中国語圏では「具身智能」と呼ばれる。
因果的事前学習（Causal Pretraining）
未来の情報に依存せず、過去から未来への時間順に世界を予測するよう学習させる方式。逐次生成との整合性が高く、長時間の連続生成に向く。ただしLingBot-Worldでは、後述のMoBAによって双方向の成分も併用されている。
誤差の蓄積（Compounding Error）
自分が生成したフレームを次の入力として使い続けることで、わずかな誤りが累積し増幅していく現象。長時間生成でテクスチャがぼやけ、地形が崩れ、シーンが破綻する主因である。
MoBA（Mixture of Bidirectional and Autoregressive Attention Mask）
技術論文が定義するRobbyantの中核機構。自己回帰生成のためのティーチャーフォーシング・マスクに双方向成分を付加し、逐次生成を可能にしながら基盤モデルの描画品質を保つ。なお、プレスリリースは「Mask of Bidirectional Attention」と表記しているが、これは論文が定義する設計内容を正しく表していない。また、LLM分野にはMoonshot AIが2025年に公開したMixture of Block Attentionという同じ略称の別技術も存在する。
KVキャッシュ／局所アテンション窓／アテンションシンク
逐次生成を高速化・安定化させる実装技法。過去の計算結果を再利用し（KVキャッシュ）、直近の一定範囲を参照する（局所アテンション窓）ことで、計算量を抑えたまま長時間の一貫性を保つ。アテンションシンクは、保持し続けるフレームやトークンをアンカーとして残す手法を指す。ただしLingBot-World固有の実装詳細は、引数名以上には公開されていない。
蒸留（Distillation）
高品質だが推論コストの大きい教師モデルの生成過程を、より少ない生成ステップで動作する生徒モデルへ移す手法。必ずしもパラメータ数を小さくするとは限らない。LingBot-World 2.0のcausal-fast版は14Bのまま、生成ステップを削減することでリアルタイム化を実現している。
デュアルエージェント機構（Pilot Agent／Director Agent）
生成された世界の内部に、2種類のエージェントを常駐させる仕組み。Pilot Agentがキャラクターの行動を計画・実行し、Director Agentがシーンの進行に応じて新しいイベントや要素を投入する。世界のイベントが自律的に進行するという意味であり、モデル自身が学習・自己改変するわけではない。
3D Gaussian Splatting（3DGS）
多数のガウシアン（ぼかした点の集合）で3次元空間を表現し、高速に描画する手法。テンセントのHY-World 2.0はこの形式で出力しており、ピクセルを直接生成するLingBot-World 2.0とは方式が根本的に異なる。
MoE（Mixture-of-Experts）
モデル内部を複数の「専門家」に分割し、入力ごとに一部だけを稼働させる構造。パラメータ総数を増やしつつ、推論時の計算量を抑えられる。同日公開のLingBot-Videoが採用する。
VLA（Vision-Language-Action）モデル
視覚と言語の入力から、ロボットの行動を直接出力するモデル。Robbyantはこれを「汎用の脳」と位置づけるが、これは同社によるマーケティング上の表現である。
CC BY-NC-SA 4.0／Apache 2.0
前者はクリエイティブ・コモンズのライセンスで、表示・非商用・継承を条件とする。商用利用は認められず、利用分野による差別を認めないOSIのオープンソース定義とも両立しない。後者は商用利用を含む幅広い利用を認めるオープンソースライセンスである。LingBot-Worldは1.0がApache 2.0、2.0がCC BY-NC-SA 4.0となっている。
SGLang
大規模モデルの高速な推論・サービングを行うオープンソースの実行基盤。LingBot-World 2.0は公開初日から対応しており、専用の導入手順も公開されている。
AI生成合成コンテンツ標識弁法
中国で2025年9月1日に施行された、AI生成物への表示を義務づける規則。明示的ラベルが必要な類型に「バーチャルシーンの生成・編集」が含まれる。中国の対象となるネットワーク情報サービス提供者が適用対象となる。
AI法（AI Act）第50条
EUのAI規制における透明性義務。2026年8月2日から適用される。AIとの対話であることの開示、合成コンテンツの機械可読マーキング、ディープフェイクの表示などを求める。2026年6月29日に最終承認されたデジタル・オムニバスによっても、この適用日は変更されていない。
WAIC（世界人工知能大会）
上海で開催される中国最大級のAIカンファレンス。Robbyantは2026年の同大会で公式デモを予定している。
【参考リンク】
Infinite Worlds with Versatile Interactions（技術論文）（外部）
LingBot-World 2.0の技術レポート本体。7月8日にarXivで公開。MoBAの正式名称や、モデルが認める限界も記載されている。
Robbyant（公式サイト）（外部）
Ant Group傘下のエンボディドAI企業。中国名は蚂蚁灵波科技。高齢者ケアや家事支援を担うロボットの実現を掲げる。
Robbyant Technology｜LingBot-World 2.0（外部）
LingBot-World 2.0の公式プロジェクトページ。デモ映像と技術概要が掲載されている。前世代のページも参照できる。
GitHub｜Robbyant/lingbot-world-v2（外部）
推論コード、モデル入手方法、ライセンス、未公開分のTODOが記載された一次情報。技術レポートも同梱される。
GitHub｜Robbyant/lingbot-world（1.0）（外部）
前バージョンのリポジトリ。Apache 2.0で公開されており、2.0との開放度の違いをここで確認できる。
Hugging Face｜lingbot-world-v2-14b-causal-fast（外部）
現時点でダウンロードできる14Bモデル。蒸留により生成ステップを削減した高速版であり、リアルタイム応答を担う。
Reactor｜LingBot World 2（外部）
海外向けにリアルタイム版を試せるWebプラットフォーム。1枚の画像から世界を生成し、その場で操作できる。
SGLang Cookbook｜LingBot-World 2.0（外部）
自前でデプロイする際の公式リファレンス。デプロイコードが非公開のため、実質的な窓口となる。
GitHub｜Wan-Video/Wan2.2（外部）
LingBot-Worldのコードベースが依拠するAlibabaの動画生成モデル。謝辞にもWanチームへの言及がある。
Google DeepMind｜Genie（外部）
競合にあたる汎用ワールドモデルGenie 3の公式ページ。重みは非公開だが、Project Genieから試用できる。
GitHub｜Tencent-Hunyuan/HY-WorldPlay（HY-World 1.5）（外部）
2025年12月公開。ストリーミング動画型の対話的世界モデルで、LingBot-World 2.0と同系統にあたる。
GitHub｜Tencent-Hunyuan/HY-World-2.0（外部）
2026年4月発表。3DGSやメッシュを出力するオフライン型で、動画生成型とは方式が根本的に異なる。
GitHub｜MoonshotAI/MoBA（外部）
同じ略称を持つ別技術。長文脈LLM向けの機構であり、RobbyantのMoBAとは無関係である。
EU理事会｜デジタル・オムニバス最終承認（2026年6月29日）（外部）
高リスクAIの期限を延期する一方、第50条の透明性義務は据え置かれたことを公式に確認できる。
Ant Group（公式サイト）（外部）
Robbyantの親会社。杭州に本拠を置く。2025年のR&D投資は51.7億ドル（350.3億元）と公表している。
【参考記事】
Infinite Worlds with Versatile Interactions（arXiv技術論文）（外部）
本稿で最も重視した一次情報。7月8日公開。MoBAの正式名称が「Mixture of Bidirectional and Autoregressive Attention Mask」であり、自己回帰マスクに双方向成分を付加する設計であることが明記されている。同時に、コンテキスト外の場所や物体を厳密に保持しないこと、物理破綻が残ることも限界として認めており、プレスリリースの「永続的な世界」「品質劣化ゼロ」という表現との差を確認できる。
GitHub｜Robbyant/lingbot-world-v2（README）（外部）
ライセンスがCC BY-NC-SA 4.0（非商用限定）であること、公開済みモデルが14Bのcausal-fastのみでcausal-pretrain・双方向・1.3B版は未公開であること、デプロイコードを公開する予定がないこと、ローカル推論の例が480P（480×832）かつGPU 8枚構成であることが確認できる。表現も「1時間」ではなく「Unbounded Interaction Horizon」となっている。
Native Video-Action Pretraining for Generalizable Robot Control（LingBot-VA 2.0 技術論文）（外部）
公開週の最後を飾ったLingBot-VA 2.0の一次情報。ここでもプレスリリースとの食い違いが見られる。リリースは「単一GPUで150Hz、20回のデモで般化」と説明するが、論文はピーク非同期実行周波数225Hz、10〜15回のデモからの適応を報告しており、評価条件が異なるとみられる。世界モデルがロボット制御へ接続される道筋を示す一本。
Genie 3: A new frontier for world models（Google DeepMind）（外部）
比較対象となるGenie 3の公式発表。テキストプロンプトから対話可能な世界を生成し、720p・24fpsで数分間の一貫性を保つと説明する。重みは公開されていないが、現在はProject Genieを通じて試用できる。
Matrix-Game 3.0: Real-Time and Streaming Interactive World Model with Long-Horizon Memory（arXiv）（外部）
2026年4月公開の競合研究。初代LingBot-Worldについて、文脈長の拡張によって長期的な幾何一貫性を改善したと評価している。LingBot-World 2.0の公開前に書かれた論文であり、2.0そのものへの第三者評価ではない点に注意が必要だが、この分野の競争軸を把握するうえで有用である。
Robbyant Unveils LingBot-Depth 2.0 and LingBot-Vision to Redefine Robotic Spatial Perception（外部）
7月7日発表。同社によれば、1億5000万サンプルで学習し、16の深度補完ベンチマークのうち12で首位、屋内難シーンのRMSEを0.132から0.062へ半減させたという。公開ラッシュの起点にあたる一本。
Artificial Intelligence: Council gives final green light to simplify and streamline rules（EU理事会）（外部）
2026年6月29日、EU理事会がデジタル・オムニバスを最終承認。高リスクAIの適用日は2027年12月2日および2028年8月2日へ延期されたが、AI法第50条の透明性義務は2026年8月2日から適用される。生成コンテンツのラベリングは待ってくれない。
