在具身智能领域，如何让机器人像人类一样精准感知物理空间，一直是一个核心难题。近日，蚂蚁集团旗下的具身智能公司Robbyant正式开源了LingBot-Vision模型家族。这一系列自监督视觉Transformer模型，通过一种创新的“边界建模”思路，在密集空间感知任务上展现出了卓越性能，甚至在多项指标上超越了参数规模大出数倍的顶尖模型。
目前的视觉基础模型大多专注于“识别物体”，即回答画面中有什么，却往往忽略了机器人进行物理交互时最关键的要素:物体边界、轮廓及深度信息。LingBot-Vision巧妙地扭转了这一优先级，将“边界”作为原生预训练信号。通过引入掩码边界建模技术，模型能够识别出图像中信息最丰富的边界区域，并将其作为训练的核心。这种做法不仅让模型学会了语义理解，更同步涌现出极强的几何空间感知能力。
在性能表现上，LingBot-Vision的旗舰模型ViT-g/16仅拥有11亿参数，却在NYU-Depth v2等深度估计任务中交出了最优答卷，其表现力不仅超越了拥有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。对于计算资源有限的实际部署场景，该系列还提供了从3亿参数到更小规模的蒸馏版本，确保了在不同硬件规格下都能保持领先的密集预测性能。
为了直观展示这一技术的实用价值，研发团队还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的“死角”时，准确率显著提升。随着数据量的增加，LingBot-Vision的性能曲线持续优化，并未出现传统模型常见的饱和现象，这进一步证明了以边界为核心的空间感知架构在处理复杂现实环境时的巨大潜力。
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。随着这一技术的普及，开发者将能够以更低的算力成本，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加精准的交互未来。
