Ant Group, poprzez swoją jednostkę do sztucznej inteligencji ucieleśnionej Robbyant, udostępnił LingBot-World-Infinity - model przyczynowy do generacji wideo działający jako interaktywny symulator świata. System generuje kolejne klatki wideo w odpowiedzi na strumień akcji użytkownika, przy czym każdy stan zależy wyłącznie od poprzednich klatek i bieżącego wejścia. Ta architektura formalizuje się jako faktoryzacja przyczynowa, gdzie wizualny stan w danym momencie warunkuje się na wcześniejszych ramkach oraz obecnej akcji.
Model wprowadza cztery istotne ulepszenia względem wersji poprzedniej. Po pierwsze, rozszerza horyzont interakcji na nieograniczony zasięg przy zachowaniu stabilności jakości. Po drugie, zawiera dystylowaną wariant działającą w czasie rzeczywistym, zdolną do napędzania strumieni 720p w 60 fps. Po trzecie, poszerzył przestrzeń akcji o nowe zachowania jak atakowanie, łucznictwo, rzucanie czarów czy strzelanie. Po czwarte, wdrażają agentyczne ramy pracy z agentami pilota i reżysera.
Architektura opiera się na kluczowej innowacji - Mixture of Bidirectional and Autoregressive Attention Mask (MoBA) - która wyjaśnia i rozwiązuje problem dryftu w długoterminowych symulacjach. Model główny liczy 14 miliardów parametrów, podczas gdy lekka wersja 1.3B jest wdrażalna na pojedynczym GPU, co czyni to rozwiązanie praktycznie dostępnym dla szerszego grona badaczy i deweloperów. Kombinacja przyczynowej faktoryzacji z nowoczesnymi technikami masek uwagi stanowi krok naprzód w tworzeniu wiarygodnych i responsywnych symulatorów świata.