刚刚，首个空间原生的具身视觉基模开源！机器人更会看我们的世界了

39 0 0

文章摘要

蚂蚁灵波近期发布了LingBot-Vision和LingBot-Depth 2.0两款模型，旨在提升机器人在真实世界中的视觉与空间感知能力。具身智能在真实场景落地的首要挑战在于视觉感知的稳定性，尤其是在处理透明反光材质、远距离小目标、复杂室内环境以及弱光遮挡等条件时，传统深度模型常出现轮廓破碎和空间关系缺失的问题。为解决这些痛点，新模型致力于让机器人不仅看得见，更能看得准，从而为后续的规划、控制和抓取任务提供可靠的空间输入。

LingBot-Vision作为面向机器人真实任务的空间原生视觉基础模型，其核心创新在于引入了掩码边界建模机制。该机制改变了传统视觉模型仅关注语义理解的局限，通过在预训练阶段强制模型学习图像的边界和几何结构，使其更深入地理解物体的空间关系、深度突变及可交互区域。这种基于边界强制的学习方法，使得约十亿参数的模型在密集空间任务上的表现匹敌甚至超越了参数量大数倍的通用视觉模型，其轻量级学生模型也展现出极高的端侧部署性价比。

基于该视觉底座构建的LingBot-Depth 2.0模型进一步将视觉特征转化为稳定的深度结果。该模型在多个深度补全基准测试中取得领先，能够有效修复透明物体、细小目标和复杂光照下的深度图缺失，为各类机器人提供连续且精准的空间骨架。两者的结合不仅验证了空间原生视觉底座在下游任务中的数据扩展优势，也为开发者提供了易于复用的基础设施，加速了真实任务的验证。

具身智能的真正上岗依赖于视觉底座、空间感知与运动控制等底层技术的协同演进，而精准的空间理解是机器人融入物理世界的关键前提。此次技术的开源与发布降低了行业使用门槛，并通过与硬件厂商的合作推动了技术向产品集成转化，标志着具身智能的行业竞争正逐步向更底层的感知能力深化。