Scaling Mixture-of-Experts Video Pretraining for Embodied Intelligence

기존 비디오 생성 모델은 시각적 화려함에 치중하여 로봇 제어에 필요한 물리적 현실감과 효율성이 부족한 문제가 있었습니다. 이를 해결하기 위해 본 논문은 로봇 지능에 최적화된 DiT 기반의 LingBot-Video 프레임워크를 제안합니다. 아키텍처 측면에서는 MoE(Mixture-of-Experts)를 도입하여 모델 용량과 추론 효율성 사이의 균형을 맞추며 대규모 확장을 실현했습니다. 데이터 측면에서는 인터넷 영상에 조작, 내비게이션, 1인칭 시점 등 로봇 중심의 데이터를 결합한 프로파일링 엔진을 구축했습니다. 또한 물리적 합리성과 작업 완수 능력을 강화하기 위해 다차원 보상 시스템을 개발했습니다. 결과적으로 본 모델은 디지털 창의성을 넘어 물리적 실행력을 갖춘 오픈소스 비디오 파운데이션 모델로서의 가능성을 입증했습니다.