LingBot-World 2.0 Praxistest: Eine Welt mit unbegrenzter Dauer und zufälligen Veränderungen – ist sie endlich da?

Das „Laden“ einer Welt dauert nur wenige Sekunden – früher bezog sich das auf ein bereits spielfertiges Spiel, dessen gesamte Inhalte längst festgelegt waren.

Was aber, wenn eine völlig neue, nie zuvor existierende Welt ebenfalls in nur wenigen Sekunden erschaffen werden kann – mit einzigartigen, nie dagewesenen Umgebungen, Levels, Wettereffekten, Charakteren und Handlungssträngen?

Genau das versucht das neueste Weltmodell LingBot-World 2.0 zu erreichen. Dass eine Welt in Sekunden entsteht, beschränkt sich nicht mehr auf vorgefertigte Inhalte: Jede Generierung ist eine völlig neue Schöpfung.

Dies ist ein quelloffenes Weltmodell mit Generierung in Sekunden und Unterstützung für Echtzeit-Interaktion.

Generierung in Sekunden bedeutet: Du gibst einfach eine Prompt ein, fügst ein Referenzbild hinzu – und wenige Sekunden später ist die entsprechende Welt fertig, die du sofort erkunden kannst.

Die Echtzeit-Interaktion geht weit über klassisches Erkunden hinaus: „WASD“-Steuerung und „Angriff“ sind Spielmechaniken des vergangenen Zeitalters. In LingBot-World 2.0 kannst du sogar nach der Generierung einer neuen Welt deren Logik, Umgebung, Charaktere, Stil und alles andere über Prompts weiter bearbeiten. Selbst wenn du keine Änderungen vornimmst, modifiziert sich das Modell selbst – wie eine sich selbst entwickelnde, „lebendige“ Welt.

Ant Lingbo, offiziell erst im Februar 2025 gegründet, ist das Entwicklerteam hinter der LingBot-Weltmodellreihe. Die erste große Version wurde erst im Januar dieses Jahres veröffentlicht – und weniger als ein halbes Jahr später ist Version 2.0 bereits trainiert, quelloffen und online bereitgestellt, eine bemerkenswert schnelle Entwicklung.

Konkret umfasst das 2.0-Upgrade vier Hauptbereiche:

1) Stabilere Interaktion durch Pre-Training mit kausaler (causal) Struktur;

2) Bereitstellung eines Modells mit 14 Milliarden Parametern und einer offiziellen, destillierten Kleinversion mit 1,3 Milliarden Parametern – beide quelloffen;

3) Basierend auf der generierten Welt erstellt das Modell selbst kontextgerechte „Fertigkeiten“ wie Angriff, Bogenschießen, Zaubern oder Schusswaffenbedienung; wie bereits erwähnt, können Nutzer diese Fertigkeiten per Prompt individuell anpassen.

4) Im agentischen Gerüst des Modells wird eine Dual-Agent-Architektur eingeführt: Zwei separate Agenten übernehmen die Aufgaben für Planung und Aktionen der Charaktere sowie für Fortschritt, Echtzeitgenerierung und Evolution der Szene.

Im Vergleich zu bekannten langsequenziellen Weltmodellen wie der ersten Generation von LingBot-World, Ali ATH's Happy Oyster und Googles Genie 3 übertrifft LingBot-World 2.0 alle Konkurrenten in Punkten wie Generationsdauer, Aktionsfreiheit, Freiheit der semantischen Interaktion und Videoqualität.

Wie APPSO erfahren hat, wird Ant Lingbo zunächst das 14-Milliarden-Parameter-Modell für Entwickler mit entsprechenden Bereitstellungsmöglichkeiten und -willen veröffentlichen.

Neben der höchsten Qualitätserfahrung dient das 14B-Modell als quelloffene Basis für andere Weltmodelle und Arbeiten zur selbstevolutionären Weltmodellierung. Diese Version wird unter einer nicht-kommerziellen Open-Source-Lizenz veröffentlicht, die ab 2026 populär wird – gemeinsam mit Plattformen wie Reactor bietet Ant Lingbo Online-Erlebnisse und SDKs an.

Die von Ant Lingbo offiziell destillierte Kleinversion mit 1,3 Milliarden Parametern wird anschließend folgen. Diese Version ermöglicht ein vergleichsweise leichtgewichtiges Erlebnis, ist unter kommerzieller Lizenz quelloffen und kann dank der geringen Parameteranzahl stabile 720p/60fps-Videoströme ausgeben – auch auf Consumer-Grafikkarten betrieben.

Vor der offiziellen Veröffentlichung von LingBot-World 2.0 hat APPSO das Büro von Ant Lingbo besucht, um detaillierte Tests durchzuführen.

Eine Welt mit eigenem Regisseur und eigenen Schauspielern

Vielleicht erinnerst du dich: Das vorher beliebteste ausländische Weltmodell war Googles Genie. Das Anfang dieses Jahres vorgestellte Project Genie ist eine echtzeitgerenderte, interaktive Umgebung, die mehrere Modelle einschließlich Genie 3 kombiniert – jedes Modell übernimmt eine eigene Aufgabe.

LingBot-World 2.0, das APPSO erlebt hat, ist ebenfalls eine echtzeitgerenderte, nutzerinteraktive Umgebung.

Wir nutzten ein Charakterfoto aus „Assassin's Creed: Origins“ als Referenzbild und kombinierten es mit einer Prompt für eine mittelalterliche europäische Wildnis.

Nach Klick auf „Generieren“ begann unser Assassine nach etwa 2 Sekunden, die Karte zu erkunden. Gleichzeitig drückten wir die Tasten „Vorwärts“ (W) und „Nahkampfangriff“ (U): Der Charakter folgte unserer Anweisung, lief vorwärts und schwang sein feuerverzaubertes Langschwert.

Auf technischer Ebene arbeiten zwei Agenten gleichzeitig: Director und Pilot Agent.

Wie der Name vermuten lässt, ist der Director Agent der „Regisseur“: Er gibt basierend auf dem Fortschritt der Szene Echtzeit-Anweisungen, um die Generierung neuer Umgebungselemente zu steuern. NPCs, Monster oder schwebende Asche auf dem Schlachtfeld werden vom Director Agent erstellt. Der Pilot Agent hingegen plant die Handlungen des Charakters entsprechend den Aktionen, die wir über Tasten auslösen.

LingBot-World 2.0 und Project Genie ähneln sich in ihrem Konzept.

Der Unterschied liegt darin: Google kombiniert verschiedene Modelle in seiner technischen Basis – Nano Banana Pro steuert Bilder, Gemini versteht Textanweisungen und Genie 3 übernimmt physikalische Rückmeldungen.

Ant Lingbos Ansatz hingegen teilt auf technischer Ebene im agentischen Gerüst zwei separate Agenten für unterschiedliche Aufgaben auf. Laut offiziellen Angaben ermöglicht dieses Dual-Agent-Design, neue Umgebungselemente während des Szenenfortschritts zu generieren – damit sich die Welt selbst entwickeln kann.

Für technisch Interessierte: Tatsächlich ist der Director Agent ein VLM (Vision-Language-Modell), das makroskopische semantische Regeln, kausale Schlussfolgerungen und zeitliche Planung steuert. Der Pilot Agent ist ein DiT (Diffusion-Transformer-Modell), das für physikalische Dynamiksimulationen auf unterster Ebene und hochpräzise visuelle Darstellung zuständig ist.

Beide bilden gemeinsam ein gemeinsames Simulationsframework ähnlich „Großhirn/Kleinhirn“ (Brain-Cerebellum Co-Simulation).

Nach Ansicht von APPSO hat dieser Ansatz auch Vorteile bei der Rechenlast:

Kurz gesagt: Nach dem Hochladen von Referenzbild und Prompt generiert das Modell ohne komplexe Denkvorgänge in ein bis zwei Sekunden. Der echtzeitgenerierende Director Agent füllt anschließend Umgebung, Charaktere und Gegenstände nach und nach aus – alles, was die Welt zum Leben erweckt.

Mit anderen Worten: Dieses technische Konzept verteilt die hohe Rechenlast der „Generierung“ über die Zeit.

Unbegrenzte Generierung: Die „Minutengrenze“ klassischer Weltmodelle durchbrechen

Bisher war die maximale Sitzungsdauer von Project Genie auf 1 Minute beschränkt – selbst zahlende Abonnenten von Google AI Ultra konnten diese Grenze nicht durchbrechen. Die Architektur von Project Genie führte dazu, dass die Rechenkosten mit zunehmender Zeit exponentiell stiegen und logische Bildfehler unvermeidbar waren.

LingBot-World 2.0 verteilt nicht nur die Rechenlast clever, sondern erreicht auch Generationsdauern von mehreren Stunden – für Weltmodelle entspricht das praktisch einer „unbegrenzten Länge“. Deshalb trägt dieses Modell auch den Namen LingBot-World-Infinity.

Die Grundlage von Weltmodellen sind Videogenerierungsmodelle. Bei Videomodellen ist die Aufgabe mit der Erstellung des Inhalts abgeschlossen. LingBot-World 2.0 hingegen lässt die Welt kontinuierlich laufen – mit nahezu unbegrenzter Dauer.

Kürzlich kam der Film „Backrooms“ in die Kinos: Wir haben in unseren Tests ein Referenzbild im Backrooms-Stil hochgeladen, mit verschiedenen Prompts kombiniert und die maximale Laufzeit von LingBot-World 2.0 einem Belastungstest unterzogen. Wir haben über 10 Minuten lang in dieser Backrooms-Welt erkundet und Gegenstände wie Papiere oder Stühle generiert.

Das lag nur daran, dass unsere Testzeit auf wenige Stunden beschränkt war und wir noch viele andere Szenen und Fähigkeiten prüfen mussten. Ohne Zeitbegrenzung könnte diese Demo unbegrenzt weiterlaufen.

Das Paper zu LingBot-World 2.0 stellt einen neuen Aufmerksamkeitsmechanismus vor: die „Mischung aus bidirektionaler und autoregressiver Aufmerksamkeit“ (Mixture of Bidirectional and Autoregressive, MoBA).

Klassische autoregressive Ansätze (typischer Vertreter: Genie 3) haben ein fatales Problem: Je länger der Kontext ist, desto mehr verlässt sich das Weltmodell auf „Auswendiglernen“ statt auf echte Vorhersage – das führt zu Überanpassung und schlechterer Bildqualität. Das vom Ant-Lingbo-Team vorgeschlagene MoBA-Verfahren fügt in der Aufmerksamkeitsmaske einen „Patch“ mit bidirektionaler Aufmerksamkeit hinzu: So kann das Modell autoregressiv generieren, ohne dass die Bildqualität zusammenbricht.

Dieser Mechanismus erklärt direkt, warum LingBot-World 2.0 Laufzeiten von Stunden erreicht – nicht durch bloße Rechenpower, sondern durch eine Innovation auf Ebene des Aufmerksamkeitsmechanismus.

Neben der Rechenleistung begrenzt noch ein zweites Problem die Laufzeit klassischer Weltmodelle: der KV-Cache (Key-Value-Cache) und seine Persistenz.

Der KV-Cache ist weithin bekannt – man kann ihn als „Kurzzeitgedächtnis“ großer Modelle verstehen. Bei Weltmodellen mit über 100 Milliarden Parametern variiert der Grafikkartenspeicherbedarf je nach Genauigkeit, Kopf-Dimension und Anzahl der Köpfe zwischen 10+ GB und Hunderten von GB. Mit heutiger Technik ist es also für ein Weltmodell schwierig, „lange Laufzeit“ und „Konsistenz“ zu vereinen – der Druck auf Rechenleistung und Cache-Erhaltung ist zu hoch.

Um extrem lange Generationsdauern zu erreichen und stabile Ausgabequalität während stündlicher Interaktion zu gewährleisten, verfolgt das Ant-Lingbo-Team einen vielversprechenden Ansatz: kausale Autoregression (Causal Autoregression).

Klassische autoregressive/diffusionsbasierte Welt- und Videogenerierungsmodelle führen bedingte Pixelvorhersagen durch: Sie berechnen das nächste Frame anhand der Pixel vergangener Frames. Dieser Ansatz ist relativ anfällig – bei zu langer Laufzeit führt die Anhäufung von Fehlern zu Verzerrungen von Objekten und Umgebungen, also zum Kollaps der räumlich-zeitlichen Konsistenz.

Die kausale Selbstschleifen-Architektur hingegen bedeutet: Das Modell sagt nicht nur Pixel voraus, sondern auch einen diskreten latenten Zustand, der durch physikalische Gesetze definiert ist. Man kann es sich so vorstellen: LingBot-World 2.0 führt während der Bildvorhersage gleichzeitig eine „Physik-Engine“ aus, die den nächsten Zustand auf Basis kausaler Logik ableitet und diesen dann zu einem Ausgabebild dekodiert.

Die folgende Abbildung erklärt anschaulich die physikalische Konsistenz dieser kausalen Architektur: Wir haben einen großen Feuerball in der Szene gewirft – an den getroffenen Stellen bleibt Asche zurück, die noch eine Weile nachglimmt.

Ähnlich hat APPSO im Test festgestellt: LingBot-World 2.0 befolgt physikalische Gesetze wie Schwerkraft, Wasserverhalten und Natureffekte auf dem Niveau anderer führender Weltmodelle.

Die kausale Selbstschleifen-Architektur von LingBot-World 2.0 bedeutet: Bei der Inferenz hängt das Modell nicht mehr nur von seinem Aufmerksamkeitsmechanismus ab. Einfach ausgedrückt: Es muss nicht mehr alle vergangenen Bilder (und alle zugehörigen KV-Werte) im Cache speichern – das