Robbyant 开源 LingBot-Vision 模型，边界建模提升空间感知

蚂蚁集团旗下具身智能公司 Robbyant 正式开源了 LingBot-Vision 模型家族。这套自监督视觉 Transformer 模型通过一种“边界建模”思路，在密集空间感知任务上表现出色，多项指标超越了参数规模更大的模型。

目前的视觉基础模型大多专注于识别物体，回答画面中有什么，却往往忽略机器人物理交互时最关键的边界、轮廓与深度信息。LingBot-Vision 将边界作为原生预训练信号，引入掩码边界建模技术，识别图像中信息最丰富的边界区域，并将其作为训练核心。这种做法让模型学会语义理解，并同步涌现出极强的几何空间感知能力。

旗舰模型 ViT-g/16 仅拥有 11 亿参数，在 NYU-Depth v2 等深度估计任务中，表现超越了拥有 70 亿参数的 DINOv3，训练所消耗的语料库规模也仅为其三分之一左右。该系列还提供从 3 亿参数到更小规模的蒸馏版本，确保在不同硬件规格下都能保持领先的密集预测性能。

研发团队同步升级了深度补全系统 LingBot-Depth2.0。测试显示，该系统在处理透明物体等传统感知“死角”时，准确率显著提升。随着数据量增加，LingBot-Vision 的性能曲线持续优化，并未出现常见模型的饱和现象。

目前，LingBot-Vision 已在 Hugging Face 平台以 Apache-2.0 协议完全开源，包含从 giant 到 small 四个尺寸的权重及推理代码。开发者能以更低的算力成本，为机器人赋予更敏锐的物理感知能力。