在具身智能領域，如何讓機器人像人類一樣精準感知物理空間，一直是一個核心難題。近日，螞蟻集團旗下的具身智能公司Robbyant正式開源了LingBot-Vision模型家族。這一系列自監督視覺Transformer模型，通過一種創新的“邊界建模”思路，在密集空間感知任務上展現出了卓越性能，甚至在多項指標上超越了參數規模大出數倍的頂尖模型。

目前的視覺基礎模型大多專注於“識別物體”，即回答畫面中有什麼，卻往往忽略了機器人進行物理交互時最關鍵的要素:物體邊界、輪廓及深度信息。LingBot-Vision巧妙地扭轉了這一優先級，將“邊界”作爲原生預訓練信號。通過引入掩碼邊界建模技術，模型能夠識別出圖像中信息最豐富的邊界區域，並將其作爲訓練的核心。這種做法不僅讓模型學會了語義理解，更同步涌現出極強的幾何空間感知能力。

image.png

在性能表現上，LingBot-Vision的旗艦模型ViT-g/16僅擁有11億參數，卻在NYU-Depth v2等深度估計任務中交出了最優答卷，其表現力不僅超越了擁有70億參數的DINOv3，訓練所消耗的語料庫規模也僅爲其三分之一左右。對於計算資源有限的實際部署場景，該系列還提供了從3億參數到更小規模的蒸餾版本，確保了在不同硬件規格下都能保持領先的密集預測性能。

爲了直觀展示這一技術的實用價值，研發團隊還同步升級了深度補全系統LingBot-Depth2.0。測試顯示，該系統在處理透明物體等傳統感知的“死角”時，準確率顯著提升。隨着數據量的增加，LingBot-Vision的性能曲線持續優化，並未出現傳統模型常見的飽和現象，這進一步證明了以邊界爲核心的空間感知架構在處理複雜現實環境時的巨大潛力。

目前，LingBot-Vision已在Hugging Face平臺以Apache-2.0協議完全開源，包含從giant到small四個尺寸的權重及推理代碼。隨着這一技術的普及，開發者將能夠以更低的算力成本，爲機器人賦予更敏銳的物理感知能力，推動具身智能邁向更加精準的交互未來。