World Model Test: LingBot World 2 und Abot World 0 Hands-On

👁 119 Aufrufe

Mitte Oktober 2026 hat fal.ai eine neue Kategorie eingeführt: interaktive World Model Systeme, durch die man sich in Echtzeit per Tastatur wie in einem Computerspiel bewegt. Am 20. Oktober 2026 habe ich drei dieser Modelle selbst getestet: LingBot World 2 von Robbyant (Ant Group), Abot World 0 von Alibaba und MiniMax H3 Max Reference Director. Die ersten beiden funktionierten in meinem Durchlauf direkt: Eine 40-Sekunden-Sitzung über dem Bergsee Morskie Oko kostete rund 0,08 USD, doch ohne Startbild zerfällt die simulierte Umgebung schnell in Artefakte. Wer eher an klassischen Videoclips interessiert ist, findet im FLUX 3 Max Hub alle Details zu linearen Generatoren.

Das Wichtigste auf einen Blick (20.10.2026)

• Was es ist: Eine World Model AI berechnet neue Frames fortlaufend in direkter Reaktion auf Steuerbefehle (W, A, S, D und Aktionsbefehle), statt einen vorab definierten Videoclip zu rendern. Grundlegende Architekturen erkläre ich im Beitrag World Models erklärt.
• Preise auf fal: Sowohl LingBot World 2 als auch Abot World 0 kosten laut Plattform 0,00125 USD pro Rechensekunde. Meine 40-sekündige Testsitzung lag bei etwa 0,05 bis 0,08 USD.
• Gewichtslizenzen: LingBot World 2 steht unter CC BY-NC-SA 4.0 (nur nicht-kommerzielle Forschung), Abot World 0 unter der Apache-2.0-Lizenz.
• Zugriff: Reine WebRTC-Sitzung. Der Videostrom wird live übertragen, es gibt keine fertige MP4-Datei zum Download. Die Frames habe ich selbst aufgezeichnet.
• Mein Testergebnis: LingBot World 2 mit Startbild 7,0/10, ohne Startbild 4,5/10; Abot World 0 erreichte 6,5/10.

Wie die Technik im Hintergrund arbeitet

Hier greift kein klassisches API-Muster nach dem Prinzip „Prompt senden, Video herunterladen“. Der Client sendet ein WebRTC-Verbindungsangebot an die Infrastruktur von fal, empfängt die Bestätigung und übermittelt über den Datenkanal die Ausgangskonfiguration der Welt (Textbeschreibung, optionales Startbild) sowie laufende Bewegungsbefehle. Das Bildmaterial wird als Stream zurückgeliefert, während das Modell kontinuierlich Statusdaten meldet: Generierungsrate, Latenz und Blocknummer. Die Sitzung muss alle paar Sekunden per Keep-Alive-Signal aufrechterhalten werden.

Im Webbrowser übernimmt diese Schritte das Interface von fal zusammen mit deren neuer JavaScript-Bibliothek. Ich habe für meine Messungen ein eigenes Python-Skript mit der Bibliothek aiortc genutzt, um jeden Frame lokal zu sichern und die Daten präzise zu protokollieren. Aus den technischen Metadaten, die LingBot in der initialen Nachricht übermittelte:

• Modellkennung: lingbot-world-v2-14b-causal-fast (14 Milliarden Parameter, optimierte Ausführung);
• Auflösung: 1664×960 Pixel, laut Schnittstelle für 48 fps ausgelegt, 3 Frames pro Berechnungsblock;
• Steuerung: W, A, S, D für die Bewegung im Raum sowie I, J, K, L für den Kamerawinkel;
• Systemprompt-Erweiterung: Das Modell baute meine kurze polnische Eingabe eigenständig zu einer detaillierten Regieanweisung aus („Figur in der linken unteren Ecke, konstanter Kameraabstand…“).

Mein World Model Praxistest

Ohne Startbild: Vorgefertigte Welten drängen sich vor

Meinen ersten Durchlauf startete ich ausschließlich mit einem Textprompt: ein Wanderer in roter Jacke an einem Bergsee in der Hohen Tatra im Morgengrauen (auf Polnisch formuliert). LingBot World 2 begann die Sitzung jedoch nicht mit einer neuen Szene, sondern lud eine seiner vorgefertigten Standardwelten - einen einzelnen Baum in einem Gebirgssee. Erst nach mehr als zehn Sekunden flossen die Elemente meiner Beschreibung ein. Bei diesem dynamischen Übergang verschwamm die Wasseroberfläche zu einer verwaschenen Farbfläche, und die Figur erschien erst ganz zum Schluss der 40 Sekunden.

Mit Startbild: Das Tatra-Panorama hält 40 Sekunden stand

Fütterte ich LingBot zusätzlich mit einem Startfoto des Morskie Oko, blieb die Szenerie stabil. Die Felsmassive der Tatra, die Lichtstimmung und die Reflexionen auf dem See blieben über die gesamte Dauer von 42 Sekunden konsistent erhalten. Auf meine Navigationsbefehle reagierten die Figuren im Bild zwar unmittelbar, allerdings ignorierten sie die Uferlinie: Sie liefen geradeaus ins eiskalte Wasser und wateten knietief weiter. Die physikalische Logik von Wasser und Kollisionen bleibt eine Schwachstelle.

Abot World 0 wählte beim selben Bildmaterial eine tiefere Kameraposition knapp über dem Wasser. Der Bildstand war bemerkenswert ruhig, allerdings bauten die Felswände im Hintergrund kontinuierlich Schärfe ab, und die Figur verschwand nach einigen Schritten komplett aus dem Bild. Zudem lieferte Abot World 0 in meinem Testlauf mit durchschnittlich 12 bis 13 fps bei 1280×704 Pixeln einen deutlich langsameren Bildstrom als LingBot (24 bis 32 fps).

H3 Max Reference Director: Schnittstelle blockiert

Der dritte Kandidat, MiniMax H3 Max Reference Director (eine von fal zusätzlich trainierte Modellvariante), ist als steuerbare Regieumgebung mit Referenzbildern, zeitlicher Ablaufsteuerung und Dialogen konzipiert. Die WebRTC-Sitzung ließ sich fehlerfrei initialisieren. Das System meldete serverseitig eine dedizierte Recheninstanz mit 8 GPUs (B300/B200) bei maximal einer Sitzung pro Knoten. Allerdings verweigerte das Backend die Initialisierungskonfiguration mit Verweis auf einen fehlenden Versionsparameter im Payload. Da fal in der Oberfläche 0,00 USD pro Sekunde aufführte - ein Platzhalter ohne bestätigte finale Bepreisung -, habe ich auf unkontrollierte Folgeversuche auf teurer Hardware verzichtet.

Kostenstruktur auf fal.ai

• LingBot World 2 und Abot World 0: jeweils 0,00125 USD pro Rechensekunde (entspricht 4,50 USD pro Stunde reiner Rechenzeit).
• Rechenzeit ist nicht identisch mit der gestreamten Videolaufzeit. fal schlüsselt die genaue Hardware-Auslastung pro Sitzungssekunde nicht transparent auf. Für meine gesamten Messungen inklusive der Testläufe habe ich zusammen rund 0,50 USD verbucht.
• H3 Max Reference Director: Bepreisung laut Metadaten unbestätigt.

Einsatzbereiche und Praxiseignung

• Spiele- und Prototypen-Entwickler: Für schnelle Tests interaktiver Hintergründe oder früher Welt-Konzepte eignet sich besonders Abot World 0, da dessen Open-Weights-Veröffentlichung unter Apache-2.0 auch kommerzielle Einsätze gestattet.
• Forschung und Experimente: LingBot World 2 liefert die visuell ansprechendere Bildrate, ist durch die CC BY-NC-SA 4.0 Lizenz und den „Research“-Status auf fal jedoch strikt auf nicht-kommerzielle Zwecke beschränkt.
• Klassische Videoproduktion: Wer ein narratives, lineares Video schneiden will, greift weiterhin zu reinen Video-Modellen. Mehr methodische Vergleiche und Tests führe ich laufend im Wissnox Labor zusammen.

Einen früheren Test eines im Browser bedienbaren Weltmodells finden Sie in meinem Bericht zu Odyssey-3. Eine Übersicht weiterer Endpoints bietet die Übersicht über neue Modelle auf fal.ai.

Häufige Fragen (FAQ)

Speichert ein interaktives World Model eine fertige MP4-Datei ab?

Nein. Die Bildausgabe erfolgt ausschließlich als kontinuierlicher WebRTC-Videostrom in Echtzeit. Wer das Ergebnis sichern möchte, muss den Stream clientseitig mitschneiden oder einzelne Frames per Skript abgreifen.

Wird für die Nutzung ein High-End-PC benötigt?

Für den API-Zugriff über Cloud-Plattformen genügt ein gewöhnlicher Rechner mit stabiler Internetverbindung, da das Rendering auf den GPU-Clustern des Anbieters stattfindet. Für ein lokales Deployment von Abot World 0 veranschlagen die Entwickler mindestens 19 GB VRAM (beispielsweise eine RTX 5090); diesen lokalen Betrieb habe ich nicht getestet.

Darf das Bildmaterial aus LingBot World 2 kommerziell verwertet werden?

Nein, die Modellgewichte stehen unter der restriktiven Lizenz CC BY-NC-SA 4.0, und der Endpoint auf fal ist ausdrücklich als Research-Instanz deklariert. Eine gewerbliche Nutzung erfordert gesonderte Vereinbarungen mit den Rechteinhabern.

Quellen

• Eigener Praxistest vom 20.10.2026: 3 WebRTC-Sitzungen via fal.ai über Python (aiortc) mit lokaler Frame-Aufzeichnung.
• fal.ai: Modelldokumentationen und API-Katalogeinträge zu LingBot World 2, Abot World 0 und H3 Max Reference Director (Stand: 20.10.2026).
• Hugging Face Repositories: LingBot World v2 (CC BY-NC-SA 4.0) und ABot-World-0 (Apache-2.0).
• GitHub Repository: amap-cvlab/ABot-World.

// weiterlesenWelches Decision Model waehlen? Kriterien und BenchmarksKI-WerkzeugeDecision Model vs LLM: Unterschiede und EinsatzbereicheAnleitungenWorld Models: Wie Genie 3 und Marble Physik verstehen lernenStand der KI