LingBot-Video 30B-A3B：具身视频模型与1.3B实测

作者：@T8star-Aix

LingBot-Video 30B-A3B：具身视频模型与1.3B实测

一句话导读：视频在 ComfyUI/RunningHub 工作流中对比 LingBot-Video 1.3B Dense 与 30B-A3B MoE，重点观察具身场景中的物理合理性、动态表现和提示词遵循，并讲解结构化提示词与两阶段生成设置。

核心内容：
1. 作者先区分具身智能视频模型与面向影视创作的通用视频模型：LingBot-Video 更关注机器人操作、导航、运动与物理动力学等现实世界规律，而不是单纯追求镜头观感。
2. 实测中，1.3B 版本生成速度更快、部署门槛较低，但提示词遵循、运动稳定性和人脸表现较弱，画面运动时可见闪烁；30B-A3B MoE 的清晰度、动态和物理合理性整体更好，但作者仍认为当前成片清晰度有限。
3. “30B-A3B”是官方模型名中的规格标记。官方项目资料显示其总参数约 30B、每个 token 激活约 3B；本文不沿用转写中关于激活参数量的模糊表述。视频演示的工作流主要围绕 T2V/TI2V，且不包含音频模态。
4. 模型要求结构化 JSON 描述。作者演示直接输入简短中文提示词会出现明显失败，因此提供系统提示词模板，将普通提示词扩写并改写为模型需要的 JSON；本地部署时可替换提示词重写模型，也可调用在线接口。
5. 工作流包含基础生成与可选 Refiner 两段。时长必须写进提示词重写条件，并同步设置宽高和帧数；官方默认按 24fps 组织，5 秒对应 121 帧。负面提示词虽然可以留空，作者仍建议按任务补充。
6. 作者在 480p 级别样例中分别查看 1.3B 与 30B-A3B 输出，并强调这套模型更适合具身研究和物理场景验证。默认首屏评论对生成质量评价偏保留，属于用户观点，不能替代同参数基准测试。

适合人群：希望在 ComfyUI 中试用开源具身视频模型、比较 Dense 与 MoE 版本，并研究机器人数据、物理合理性和结构化提示词工作流的用户。

补充说明：本文根据授权视频完整音频转写整理，并用 LingBot-Video 官方项目资料核对模型名、30B-A3B、提示词重写、Refiner 和 24fps 等术语；节点版本、显存需求和最长时长应以实际工作流与设备测试为准。

相关夸克网盘链接：
【无限画布整合包v2.6.8：https://pan.quark.cn/s/5871a0142ff3】
【贞贞整合包V4.8A：https://pan.quark.cn/s/ed4f5cc2db75】
【T8 CF整合包V12：https://pan.quark.cn/s/af20c54c9a13】