World Model Test: LingBot World 2 e Abot World 0

👁 113 letture

A metà ottobre fal.ai ha inaugurato una nuova categoria: i world model, ambienti virtuali in cui ci si muove in tempo reale controllando la visuale tramite tastiera come in un videogioco. Il 20 ottobre 2026 ho avviato tre di queste soluzioni: LingBot World 2 di Robbyant (Ant Group), Abot World 0 di Alibaba e MiniMax H3 Max Reference Director. I primi due funzionano: una sessione di 40 secondi sul lago Morskie Oko nei monti Tatra è costata circa 8 centesimi, ma senza un’immagine iniziale lo scenario collassa nei consueti artefatti visivi. Con il terzo modello non sono riuscito a completare la generazione.

In sintesi (20.10.2026)

• Cos’è: un modello che genera i fotogrammi successivi in tempo reale rispondendo ai comandi dell’utente (W, A, S, D e comandi rapidi), invece di elaborare un video statico offline. Approfondisco il funzionamento teorico nella mia guida su cosa sono i world model AI. Se cerchi invece un generatore video tradizionale ad alta fedeltà, trovi le mie prove nell’hub dedicato a FLUX 3 Max.
• Prezzo su fal: LingBot World 2 e Abot World 0 costano $0.00125 per secondo di calcolo. La mia sessione da 40 secondi ha richiesto circa $0.05-$0.08.
• Licenze dei pesi: LingBot World 2 adotta la CC BY-NC-SA 4.0 (solo uso non commerciale), mentre Abot World 0 è rilasciato con licenza Apache-2.0.
• Modalità di accesso: sessione WebRTC in streaming continuo; non viene fornito un file video da scaricare. Ho registrato i singoli frame direttamente tramite script.
• Valutazione personale: LingBot con immagine iniziale 7/10, senza immagine 4,5/10; Abot 6,5/10.

Come funziona l’architettura tecnica di un world model

Non si tratta della classica API in cui si invia un prompt e si attende un file video compilato. Il client apre un’offerta di connessione WebRTC verso l’infrastruttura di fal, riceve la risposta e utilizza un canale dati per trasmettere la configurazione iniziale del mondo (prompt di testo, eventuale immagine di partenza) e i successivi comandi di movimento. Il flusso video ritorna come streaming continuo, mentre il modello invia periodicamente metriche sulle prestazioni: velocità di generazione, latenza e identificativo del blocco elaborato. La sessione richiede un segnale di keep-alive ogni pochi secondi per non cadere.

Nel browser questa procedura viene gestita dal playground di fal e dalla loro libreria JavaScript. Per misurare i parametri in modo rigoroso, ho scritto un breve script in Python sfruttando la libreria aiortc per memorizzare i singoli fotogrammi. Tra i dettagli tecnici trasmessi da LingBot nel suo messaggio iniziale:

• modello identificato: lingbot-world-v2-14b-causal-fast (14 miliardi di parametri, versione ottimizzata);
• risoluzione di 1664×960 pixel, velocità dichiarata di 48 fps, 3 fotogrammi per blocco computazionale;
• comandi previsti: tasti W, A, S, D per lo spostamento e I, J, K, L per la gestione della telecamera;
• ricevuta la descrizione iniziale, il modello la espande internamente in istruzioni dettagliate (“soggetto posizionato nell’angolo in basso a sinistra, distanza fissa dalla camera…”).

Il mio test sul campo

Tutti i test condotti per questa analisi fanno parte delle prove sperimentali che porto avanti nel Laboratorio Nitido. Nelle prove ho utilizzato prompt in lingua polacca, raffiguranti escursionisti e paesaggi montani dei Tatra.

Senza foto iniziale: uno scenario fuori controllo

Ho avviato la prima sessione inserendo soltanto un prompt descrittivo: un escursionista con giacca rossa in riva a un lago nei monti Tatra all’alba. Il modello non ha generato la scena da zero, ma è partito da uno dei suoi ambienti predefiniti: un albero solitario in mezzo a uno specchio d’acqua circondato da montagne. Solo dopo una dozzina di secondi ha iniziato a integrare gli elementi richiesti nel testo. Durante la transizione l’acqua si è trasformata in una macchia informe dall’aspetto pittorico, e l’escursionista è apparso soltanto verso la fine della sessione.

Con foto iniziale: Morskie Oko regge per 40 secondi

Fornendo un’immagine di partenza scattata virtualmente sul lago Morskie Oko, LingBot World 2 ha mantenuto con precisione il profilo montuoso, i riflessi nell’acqua e l’illuminazione dell’alba per l’intera durata della prova. I soggetti si sono mossi in accordo con i tasti direzionali, ma invece di percorrere la riva sono entrati nel lago camminando con l’acqua alle ginocchia: la fisica dei fluidi resta un punto debole evidente.

Abot World 0, alimentato con la medesima immagine, ha impostato la telecamera a pelo d’acqua. L’inquadratura è rimasta stabile, ma con il passare dei secondi le formazioni rocciose hanno perso nitidezza e la figura umana è svanita. Anche il throughput è risultato inferiore: circa 12-13 fotogrammi al secondo a risoluzione 1280×704, contro i 24-32 fps registrati con LingBot.

H3 Max Reference Director: connessione bloccata

Il terzo sistema analizzato, MiniMax H3 Max Reference Director, si propone come un regista per mondi virtuali continui con immagini di riferimento, linee temporali e dialoghi. Va ricordato che le varianti contrassegnate come H3 Max sono versioni sottoposte a post-training da parte di fal, non modelli base del produttore. La sessione WebRTC si è aperta regolarmente, segnalando l’esecuzione su un nodo hardware dotato di 8 GPU (B300/B200) dedicato a una singola istanza per macchina. Tuttavia, l’endpoint ha respinto la configurazione per l’assenza di un parametro relativo alla versione dei comandi. L’interfaccia di fal riporta una tariffa provvisoria di $0.00 per compute second che nessuno ha ancora confermato; di fronte a un’infrastruttura di tale portata non ho insistito con ulteriori tentativi alla cieca.

Quanto costa l’elaborazione

• LingBot World 2 e Abot World 0: la tariffa è di $0.00125 per secondo di calcolo, corrispondenti a $4.50 per ora di calcolo continuativo.
• Un secondo di calcolo non coincide necessariamente con un secondo di trasmissione video: la piattaforma fal non specifica quante risorse di calcolo vengano consumate per ogni secondo effettivo di sessione. Sommando tutte le prove, inclusi i tentativi di inizializzazione falliti, la spesa totale si è attestata intorno a $0.50.
• H3 Max Reference Director: costo finale non ancora verificato.

A chi serve oggi questa tecnologia

• Sviluppatori di videogiochi e software interattivo che necessitano di sfondi dinamici o di prototipare ambienti virtuali: Abot World 0 dispone di una licenza Apache-2.0 idonea per utilizzi commerciali.
• Ricercatori e sperimentatori: LingBot World 2 assicura una resa visiva più convincente, ma i pesi sono distribuiti sotto licenza CC BY-NC-SA 4.0 e su fal l’endpoint è etichettato esplicitamente come “research”.
• Non è indicato per la produzione video tradizionale: se il tuo obiettivo è ottenere un filmato finito con massima coerenza visiva, i generatori text-to-video rimangono nettamente superiori.

Per una panoramica su altri esperimenti nel settore, puoi leggere il mio test su Odyssey-3; per il riepilogo delle uscite recenti sulla piattaforma, rimando all’articolo sui nuovi modelli su fal.ai a ottobre 2026.

Domande frequenti

Un world model AI salva automaticamente il video generato?

No, l’interfaccia WebRTC trasmette esclusivamente un flusso video in tempo reale. Per ottenere un file finale devi catturare il flusso a schermo o memorizzare i frame via software durante la sessione, come ho fatto nel mio script.

Serve un computer con scheda grafica potente per provarli?

Se utilizzi le API ospitate su fal non serve hardware dedicato, poiché l’elaborazione avviene interamente sui loro server. Se intendi eseguire Abot World 0 in locale, gli sviluppatori indicano una richiesta di memoria video di circa 19 GB (ad esempio una RTX 5090), configurazione che non ho testato.

Posso usare i filmati ottenuti con LingBot World 2 per scopi commerciali?

I pesi di LingBot-World v2 sono rilasciati con licenza non commerciale CC BY-NC-SA 4.0 e l’endpoint su fal è classificato come progetto di ricerca. Per qualsiasi impiego commerciale è necessario verificare i termini direttamente con gli autori o con i gestori del servizio.

Fonti

• Test diretto dell’autore (20.10.2026): 3 sessioni WebRTC tramite fal.ai (Python, aiortc), frame salvati in locale.
• fal.ai: schede informative e listini di LingBot World 2, Abot World 0 e H3 Max Reference Director (consultati il 20.10.2026).
• Hugging Face: repository ufficiali di LingBot World v2 (licenza CC BY-NC-SA 4.0) e ABot-World-0 (licenza Apache-2.0).
• GitHub: repository di codice sorgente amap-cvlab/ABot-World.

// continua a leggereOdyssey-3: come funziona il world model interattivo da testoStrumenti IAWorld model AI: cosa sono e come funzionano Genie, Odyssey e CosmosStato dell'IAWorld model companies keep their plans secretMagazine