具身智能新突破：蚂蚁集团开源LingBot-Vision，让机器人拥有“空间感”

具身智能领域一直有个核心难题：怎么让机器人像人一样精准感知物理空间？过去大多数视觉模型都在拼命“认东西”——画面里有什么？但机器人真正动手干活时，最关键的其实是物体的边界、轮廓和深度。最近，蚂蚁集团旗下的具身智能公司Robbyant开源了LingBot-Vision模型家族，彻底扭转了这个优先级。

LingBot-Vision走了一条反常规的路：把“边界”作为预训练信号。通过掩码边界建模技术，模型能自动识别图像中信息最丰富的边缘区域，并把这些边界作为训练的核心。这样一来，模型不仅学会了语义理解，还同步涌现出极强的几何空间感知能力——相当于既看懂了画面里的“是什么”，又算清楚了“在哪儿”“有多大”。

性能表现上更值得注意：旗舰模型ViT-g/16只有11亿参数，却在NYU-Depth v2等深度估计任务中交出了最优答卷——直接超越了拥有70亿参数的DINOv3，而训练所消耗的语料库规模仅为后者的三分之一。对于算力有限的部署场景，团队还提供了从3亿参数到更小规模的蒸馏版本，确保不同硬件规格下都能保持领先的密集预测性能。

为了直观展示技术落地价值，研发团队同步升级了深度补全系统LingBot-Depth2.0。实测显示，在处理透明物体这类传统感知“死角”时，准确率提升显著。更关键的是，随着数据量增加，LingBot-Vision的性能曲线持续优化，没有出现传统模型常见的饱和现象——这进一步说明，以边界为核心的空间感知架构在复杂现实环境中潜力巨大。

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。开发者将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，推动具身智能迈向更精准的交互未来。