6.9
深览指数
科技智东西·李水青··AI 生成
机器人“空间感”迎来新解法：蚂蚁灵波全新视觉模型，11亿参数挑战70亿级能力
蚂蚁灵波发布空间感知模型LingBot-Depth 2.0和视觉基座模型LingBot-Vision，核心亮点是11亿参数的LingBot-Vision在NYUv2深度估计基准上以约七分之一参数量比肩70亿参数的DINOv3。LingBot-Depth 2.0在16个公开数据集深度补全评测中拿下12项第一，尤其解决了玻璃、镜面等传统深度感知失效的场景。文章详细介绍了模型技术原理，并展示了与3D视觉龙头奥比中光的合作，已将模型集成进SDK和数采设备，计划年底推出一体化相机。适合关注机器人视觉、具身智能技术路线和产业落地的读者。原文 ↗
核心观点
- ▍LingBot-Vision的“空间原生”视觉基座是性能提升的关键，它通过面向真实物理环境的数据训练和边界中心掩码建模，使模型同时学习语义和几何结构，区别于为互联网图片设计的传统视觉模型。
- 01LingBot-Depth 2.0在16个公开数据集的深度补全评测中拿下12项第一，尤其在DIODE-Indoor室内场景中，RMSE从1.0版本的0.132降至0.062，降低了一半多。
- 02LingBot-Vision旗舰模型参数规模约11亿，在NYUv2深度估计基准上以约七分之一的参数量比肩甚至超越70亿参数的DINOv3，消耗的训练样本量不足其三之一。
- 03LingBot-Vision能有效处理玻璃、镜面、透明物体等传统主动深度相机失效的“硬场景”，补全为跨帧的稳定连续表面。
- 04奥比中光已将LingBot-Depth 2.0集成进EGO RGB-D数采设备和Gemini 330系列相机SDK，并计划年底推出集成LingBot-Depth商业版的一体化相机。
- 05LingBot-Vision采用边界中心掩码建模，通过主动关注物体轮廓和边界，引导模型学习几何结构，避免传统骨干网络常见的斑点噪声。
- 06LingBot-Vision同时发布ViT-G、ViT-L、ViT-B、ViT-S四个版本，其中仅约3亿参数的ViT-L模型性能已与70亿参数级别模型相当。
反方 / 局限
- — 文章本质上是产品发布和技术解读，没有提供任何反方观点、局限性分析或与其他技术路线的对比讨论。
14 分钟 · 3 卡片 · 9 资料
读原文 →