在具身智能技术发展的进程中，如何让机器人精准感知物理空间始终是关键挑战。蚂蚁集团旗下具身智能企业Robbyant近日宣布，其自主研发的LingBot-Vision模型家族正式开源，为这一难题提供了创新解决方案。该系列模型基于自监督视觉Transformer架构，通过独特的"边界优先"设计理念，在密集空间感知任务中展现出超越传统模型的性能优势。
传统视觉模型普遍聚焦于物体识别功能，即判断图像中包含哪些物体，却对机器人物理交互至关重要的边界轮廓、空间深度等要素关注不足。LingBot-Vision团队颠覆性地将边界信息作为模型训练的核心信号，通过掩码边界建模技术，使模型能够自动识别图像中信息密度最高的边界区域。这种训练方式不仅赋予模型语义理解能力，更使其自然衍生出强大的几何空间感知能力，实现了从"识别物体"到"理解空间"的范式转变。
性能测试数据显示，该系列旗舰模型ViT-g/16仅含11亿参数，却在NYU-Depth v2深度估计基准测试中击败参数规模达70亿的DINOv3模型，且训练数据量仅为后者的三分之一。针对不同硬件环境，研发团队同步推出3亿参数至更小规模的蒸馏版本，确保在计算资源受限的场景下仍能保持领先的密集预测性能。这种参数效率的显著提升，为机器人技术的实际应用扫除了重要障碍。
为验证技术的实用性，研发团队升级了深度补全系统LingBot-Depth2.0。实验表明，该系统在处理透明物体、反光表面等传统感知盲区时，准确率较前代系统提升超过40%。特别值得注意的是，随着训练数据量的增加，模型性能呈现持续优化趋势，未出现传统模型常见的性能饱和现象，这印证了边界中心架构在复杂现实场景中的扩展优势。
目前，LingBot-Vision模型家族已在Hugging Face平台完整开源，包含giant、large、base、small四种规模版本的预训练权重及推理代码，均采用Apache-2.0开源协议。这一举措将显著降低开发者获取先进空间感知技术的门槛，使更多机器人系统能够以更低的算力成本实现精准的物理交互能力，为具身智能的产业化应用注入新动能。
