蚂蚁灵波发布空间原生视觉基模LingBot-Vision，以边界建模提升机器人空间感知

6月8日，蚂蚁灵波发布新一代空间感知模型LingBot-Depth 2.0，并开源面向具身智能的视觉基础模型LingBot-Vision。该模型是全球首个空间原生视觉基础模型，通过创新的“以边界为中心的掩码建模”方法，在预训练阶段将空间结构刻入训练目标，使机器人能更准确地理解距离、边界和空间关系。

技术核心：边界强制掩码建模

传统视觉基础模型（如DINOv3）在掩码建模时采用随机遮盖，而LingBot-Vision的核心洞察是：物体边界区域信息量最大，应被强制遮盖。模型通过教师模型在线预测边界场，将边界patch加入被遮盖集合，迫使模型重建几何结构。为解决“从零训练不知边界”的自举难题，团队利用稀疏角点锚定解码过程，即使边界场随机生成，解码出的线段依然连贯。同时，将边界预测转为分类问题，并引入a-contrario检验过滤噪声，保证训练目标干净。

训练效率与性能表现

LingBot-Vision（约1.1B参数，ViT-g/16）仅使用1.61亿张图片（DINOv3的1/10）和不到DINOv3三分之一的训练量。在深度估计任务上，NYUv2 RMSE达0.296，优于7B参数的DINOv3（0.309）；KITTI上为2B参数以下最强。分割和视频任务上，与DINOv3 ViT-H+（0.8B）持平，超DINOv2超4个百分点。分类任务稍弱，符合“空间优先”设计目标。蒸馏后的0.3B学生模型在NYUv2上追平7B DINOv3，参数量相差约23倍。

实际应用效果：LingBot-Depth 2.0

基于LingBot-Vision的深度模型在透明/反光物体、小目标、远距离、复杂室内场景及弱光遮挡等场景表现稳定。例如，透明香槟塔的深度图轮廓完整，小如网球的物体也能清晰分辨。在12个深度补全基准上取得领先结果，且随下游数据增加优势扩大。

开源与部署

LingBot-Vision已开源，提供ViT-G/L/B/S多档模型，技术报告、代码、权重均可在GitHub、Hugging Face等平台获取。