科技微博·量子位··AI 生成
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
蚂蚁集团旗下灵波发布LingBot-Vision（空间原生视觉基模）与基于它的深度模型LingBot-Depth 2.0，并开源。核心突破在于通过「掩码边界建模」机制，在预训练阶段强制模型聚焦图像中信息密度最高的物体边界与几何结构，解决了传统深度相机在透明/反光物体、远距小目标、弱光杂乱场景下的深度图破碎与空洞问题。LingBot-Vision（约10亿参数）在NYU-Depth v2等任务上精度超越7B的DINOv3，其0.3B学生模型可达同等精度，有利于端侧部署。文章首次系统阐述了具身智能视觉底座「从语义理解转向空间常识」的技术路径与核心难点。适合关注具身智能、机器人深度感知、自监督视觉基础模型的技术从业者与研究者阅读。原文 ↗原文 ↗
核心观点
- ▍机器人视觉不能仅靠语义理解（识别物体类别），而需要建立「空间常识」——精确感知边界、深度、遮挡关系和几何结构，其是具身智能在真实场景落地的关键瓶颈。
- ▍LingBot-Vision通过「边界强制（Boundary Forcing）」机制，在自监督预训练中专门学习高信息密度的边界区域，替代了传统Masked Image Modeling中随机遮罩低信息量区域（墙面、天空）的做法，提供了更优的空间感知底座。
- 01透明水柱在传统模型深度图中无法呈现，而LingBot-Depth 2.0能生成清晰的透明物体深度图，可用于引导机器人完成将水壶推到水柱下的接水任务。
- 02LingBot-Vision（1B参数）在NYU-Depth v2深度估计基准上取得所有对比模型最佳精度，超越参数量约7倍的DINOv3（7B）。
- 03基于LingBot-Vision蒸馏的0.3B学生模型在NYU-Depth v2上达到与7B DINOv3相当的精度，参数量减小约23倍，更有利于端侧部署。
- 04在12个深度补全基准上，基于LingBot-Vision的LingBot-Depth 2.0取得领先结果。
- 05论文指出，随着下游数据量增加，LingBot-Vision编码器的优势会进一步扩大，而非被稀释。
- 06LingBot-Depth 2.0已通过奥比中光深度视觉实验室认证，双方围绕EGO-RGBD数采设备与SDK展开合作，正在从论文走向硬件集成。
反方 / 局限
- — 视觉底座升级不会让机器人一夜之间无所不能，传感器差异、算力限制、场景泛化、控制精度和成本仍待继续打磨。
10 分钟 · 4 卡片 · 11 资料
读原文 →前置背景
技术原理
平行视角
延伸追问