Modele świata na fal.ai: LingBot World 2 i Abot World 0 w praktyce. Mój test nad Morskim Okiem

👁 116 przeczytań

W połowie października fal.ai dodał nową kategorię: modele świata, po których „chodzi się” w czasie rzeczywistym, sterując klawiszami jak w grze. 20 października uruchomiłem trzy z nich: LingBot World 2 od Robbyant (Ant Group), Abot World 0 od Alibaby i MiniMax H3 Max Reference Director. Dwa pierwsze działają: 40 sekund nad Morskim Okiem kosztowało około 8 centów, ale świat bez zdjęcia startowego rozpływa się w artefakty. Trzeciego nie udało mi się zmusić do generowania.

W skrócie (20.10.2026)

• Co to jest: model, który generuje kolejne klatki na bieżąco w reakcji na sterowanie (W, A, S, D i szybkie akcje), zamiast liczyć gotowy klip. Co to są modele świata, opisuję w przewodniku modele świata.
• Cena na fal: LingBot World 2 i Abot World 0 - 0,00125 USD za sekundę obliczeń. Moja 40-sekundowa sesja: ok. 0,05-0,08 USD.
• Licencje wag: LingBot World 2 - CC BY-NC-SA 4.0 (tylko niekomercyjnie), Abot World 0 - Apache-2.0.
• Dostęp: sesja WebRTC - obraz płynie na żywo, nie ma pliku do pobrania. Nagrywałem klatki sam.
• Mój wynik: LingBot z obrazem startowym 7/10, bez obrazu 4,5/10, Abot 6,5/10.

Jak to działa od strony technicznej

To nie jest zwykłe API „wyślij polecenie, odbierz film”. Klient wysyła do mostka fal ofertę połączenia WebRTC, dostaje odpowiedź, a potem przez kanał danych wysyła konfigurację świata (opis, obraz startowy) i polecenia ruchu. Obraz wraca jako strumień wideo, a model co chwilę raportuje statystyki: szybkość generowania, opóźnienie, numer bloku. Sesję trzeba podtrzymywać sygnałem co kilka sekund.

W przeglądarce robi to za nas playground fal i nowa wersja ich biblioteki JavaScript. Ja napisałem krótki skrypt w Pythonie (biblioteka aiortc), żeby nagrać klatki i policzyć liczby. Z ciekawostek, które LingBot przysłał w pierwszej wiadomości:

• model: lingbot-world-v2-14b-causal-fast (14 mld parametrów, wersja przyspieszona);
• rozdzielczość 1664×960, deklarowane 48 kl./s, 3 klatki na blok;
• klawisze: W, A, S, D do ruchu i I, J, K, L do kamery;
• po wysłaniu opisu model sam go rozwija w długą instrukcję („postać w lewym dolnym rogu, stała odległość od kamery…”).

Mój test

Bez zdjęcia startowego: jezioro z obcego świata

Pierwszą sesję zacząłem od samego opisu: turysta w czerwonej kurtce nad jeziorem w Tatrach o świcie. Model wystartował jednak od jednego ze swoich gotowych światów - samotnego drzewa w jeziorze na tle gór - i dopiero po kilkunastu sekundach zaczął wprowadzać elementy z opisu. W przejściu woda zamieniła się w rozmazaną, malarską plamę, a turysta pojawił się dopiero pod koniec.

Ze zdjęciem: Morskie Oko trzyma się 40 sekund

Z obrazem startowym LingBot zachował układ gór, odbicie w wodzie i kolory świtu przez całą sesję. Turyści ruszyli zgodnie ze sterowaniem, ale zamiast iść brzegiem weszli do jeziora i brodzili w nim po kolana - fizyka wody to wciąż słaby punkt.

Abot World 0 z tym samym zdjęciem prowadził kamerę nisko nad taflą. Scena była stabilna, ale z każdą sekundą skały traciły ostrość, a turysta zniknął. Abot dostarczał mniej klatek: około 12-13 na sekundę w 1280×704, wobec 24-32 u LingBota.

H3 Max Reference Director: drzwi zamknięte

Trzeci model, MiniMax H3 Max Reference Director, ma być reżyserem ciągłego świata z obrazami referencyjnymi, scenariuszem w czasie i nawet dialogami. Sesja się otwierała, model przedstawiał się jako uruchomiony na maszynie z 8 GPU (B300/B200), z jedną sesją na maszynę. Konfigurację z obrazem i scenariuszem odrzucał jednak przez brakujące pole wersji polecenia. fal pokazuje cenę 0,00 USD za sekundę, której nikt nie potwierdził, więc przy maszynie tej klasy nie próbowałem dalej na ślepo.

Ile to kosztuje

• LingBot World 2 i Abot World 0: 0,00125 USD za sekundę obliczeń, czyli 4,50 USD (około 17,53 zł) za godzinę obliczeń (kurs NBP z 20.10.2026: 3,8959 zł).
• Sekunda obliczeń to nie to samo co sekunda obrazu - fal nie pokazuje, ile obliczeń zużywa sekunda sesji. Liczyłem ostrożnie i wszystkie moje sesje razem z nieudanymi próbami wyceniłem na około 0,50 USD.
• H3 Max Reference Director: stawka niepotwierdzona.

Dla kogo to dziś

• Dla twórców gier i aplikacji, którzy chcą sprawdzić interaktywne tło albo prototyp świata - Abot World 0 ma licencję pozwalającą na użycie komercyjne.
• Dla badaczy i hobbystów - LingBot World 2 ma lepszy obraz, ale licencja wag zabrania zastosowań komercyjnych, a fal oznacza go jako „research”.
• Nie dla twórców filmów: do gotowych klipów lepsze są zwykłe generatory wideo, np. FLUX 3 Max.

Wcześniejszy test modelu świata w przeglądarce, bez kodu: Odyssey-3 na Bieszczadach. Wszystkie nowości z fal z tego tygodnia: nowe modele na fal.ai - październik 2026.

Najczęstsze pytania

Czy model świata zapisuje gotowy film?

Nie przez API WebRTC - obraz płynie na żywo. Nagranie trzeba zrobić samemu (ja zapisywałem klatki skryptem).

Czy potrzebuję mocnego komputera?

Do sesji na fal nie - generuje serwer. Lokalnie Abot World 0 według autorów potrzebuje ok. 19 GB pamięci karty (RTX 5090), tego nie sprawdzałem.

Czy mogę użyć nagrania z LingBot World 2 komercyjnie?

Wagi mają licencję CC BY-NC-SA 4.0, a endpoint fal jest oznaczony jako „research”. Przed użyciem komercyjnym trzeba to wyjaśnić z autorami albo z fal.

Źródła

• Test własny 20.10.2026: 3 udane sesje WebRTC przez fal.ai (Python, aiortc), klatki zapisywane lokalnie.
• fal.ai: LingBot World 2, Abot World 0, H3 Max Reference Director - karty i cenniki (odczyt 20.10.2026).
• Hugging Face: LingBot World v2 (CC BY-NC-SA 4.0), ABot-World-0 (Apache-2.0).
• GitHub: amap-cvlab/ABot-World.