蚂蚁灵波视觉模型11亿参数挑战70亿级能力

7月7日消息，蚂蚁灵波近日一次性发布了两款重磅产品：正式推出空间感知模型LingBot-Depth 2.0，同时将其自研的视觉基座模型LingBot-Vision进行开源。这套组合拳，首次将机器人视觉底层表征到深度感知的完整技术方案展现在业界面前。

▲蚂蚁灵波发布动态（图源：社交媒体X）

LingBot-Depth 2.0在16个公开数据集的深度补全评测中，一举拿下12项第一。在边缘清晰度、细小物体识别、远距离检测以及复杂场景鲁棒性这四个关键维度上，均有显著提升。而支撑这一成绩的核心，正是蚂蚁灵波首次公开的“空间原生”视觉基础模型LingBot-Vision。

消息公布后，海外技术圈反响热烈。知名科技自媒体Rohan Paul在社交平台评价道：“机器人的‘眼睛’刚刚经历了一次重大升级。”有网友则表示：“解决玻璃和镜子的深度预测难题，这绝非易事。开源之后，开发者们能创造出哪些新玩法，令人倍感期待。”

▲X平台上的自媒体及网友评论

更值得关注的是，这项技术已不再停留在实验室阶段。国内3D视觉领域的头部企业奥比中光，已将LingBot-Depth 2.0集成到自身的数据采集设备和SDK中，并计划于今年年底推出集成LingBot-Depth商业版的一体化相机。

一、LingBot-Depth 2.0：斩获12项测评第一，树立空间感知新标杆

对于机器人而言，深度信息是一切动作的基础——移动、避障、抓取、操作，都离不开深度感知。没有可靠的深度输入，机器人就像蒙着眼睛在真实世界中盲目行动。

然而行业内长期存在几个棘手难题：物体边界模糊不清，机器人抓取时无从下手；细小物体容易被忽略，一条电缆、一根细杆可能成为避障盲区；远距离目标的深度噪声较大，移动机器人导航时总感前方不稳；而在反光、透明、遮挡、暗光等复杂场景中，深度图更是频繁出现破碎和缺失，导致机器人连续任务经常中断。

LingBot-Depth 2.0正是针对这四个长期痛点而来。训练数据规模从1.0版本的300万样本直接扩展到1.5亿，扩大了50倍；模型基底也从DINOv2编码器全面切换为LingBot-Vision编码器。这两项改进形成了一个正向循环：数据规模越大，LingBot-Vision初始化的优势不仅没有被稀释，反而更加突出。

▲LingBot-Depth 2.0支持机器人识别香槟酒杯

从基准测试成绩来看，LingBot-Depth 2.0在16个公开数据集的深度补全评测中取得了12项第一。在最难的室内场景DIODE-Indoor测试中，块掩蔽深度建模的RMSE从1.0版本的0.132直降到0.062，降幅超过一半。这意味着在纹理稀疏、结构复杂、光照条件严苛的室内环境中，LingBot-Depth 2.0输出的深度图精度实现了质的飞跃。

▲LingBot-Depth 2.0评测结果

除了基准成绩，LingBot-Depth 2.0真正形成差距的，是它对那些“硬场景”的处理能力。传统的主动深度相机面对玻璃、镜面、透明物体时几乎形同虚设，要么输出大量噪声，要么直接无法测量。

而LingBot-Depth 2.0在这些场景中表现相当出色。无论是窗玻璃、玻璃栏杆还是反光地板，原始传感器深度信息在这些区域几乎为零，但LingBot-Depth 2.0能够将这些区域补全为跨帧的稳定连续表面。从下图可以直观看到，深度图不再是碎片化的“马赛克”，而是结构完整、边界清晰的空间地图。

▲LingBot-Depth 2.0可胜任玻璃门场景中的任务

可以说，LingBot-Depth 2.0的发布，为机器人空间感知树立了一个新标杆。高质量的空间感知能力，正在变成一种可以广泛获取的通用能力，而不再是少数头部企业才能掌握的技术壁垒。

二、为何强大？LingBot-Vision“空间原生”底座是关键

LingBot-Depth 2.0的能力跃迁并非偶然。其底层支撑是蚂蚁灵波自研的视觉基座模型LingBot-Vision——一个从一开始就为机器人场景量身打造的“空间原生”视觉模型。

▲LingBot-Vision视觉基座模型识别效果

要理解LingBot-Vision的价值，需要先看清一个行业趋势。过去十多年，计算机视觉模型从手工特征走到卷积神经网络，再到视觉基础模型。ViT、CLIP、MAE、SAM、DINO等模型的出现，让视觉模型走向大规模预训练和通用视觉表征。

但对于机器人来说，一个新问题逐渐显现。这些模型大多是为互联网图片设计的，它们擅长回答“图像里有什么”，却不一定能回答机器人真正关心的问题：物体距离多远？边界在哪里？空间结构是否连续？能否支撑机器人完成移动、避障和抓取？

LingBot-Vision的区别，用四个字就能概括：空间原生。

首先，它的数据来源和训练目标天然面向机器人所处的真实物理环境，而非互联网图片，因此更关注真实世界中的空间结构。

其次，它在预训练过程中引入了几何约束，并提出了边界中心（Boundary-Centric）的掩码建模机制。相比传统随机Mask策略，它会主动关注物体轮廓、边界以及形状变化，引导模型同时学习语义信息和几何结构——不仅知道“这是什么”，更知道“它长什么样、边界在哪、和周围物体是什么关系”。

通俗地说，传统语义驱动模型学的是“这是一只猫”，而LingBot-Vision学的是“猫耳朵在头顶两侧、猫身在前方、边界在哪里、和周围物体是什么空间关系”。这种基于几何的预训练方式，让LingBot-Vision在保持全局判别力的同时，不会丢失局部几何结构。冻结图像块特征的前三个PCA分量映射到RGB后可以直观看到：LingBot-Vision能将物体解析成连贯且边界清晰的区域，内部保持平滑，特征过渡点精确落在物体轮廓上，彻底避免了以往骨干网络常见的逐个标记的斑点或块状噪声。

▲LingBot-Vision视觉基座模型识别效果

第三，边界忠实的密集特征，让LingBot-Vision成为一个真正的“一专多能”视觉底座。一个模型就能覆盖分类、检测、分割、深度估计等所有核心视觉任务，机器人不再需要在有限算力下堆叠多个模型，系统复杂度大幅降低。

这种训练范式上的改变，直接带来了性能上的突破。

博客显示，LingBot-Vision旗舰模型参数规模约11亿，在NYUv2深度估计基准上，用大约七分之一的参数量，比肩甚至超越了70亿参数的DINOv3，而消耗的训练样本量还不到它的三分之一。

▲LingBot-Vision与同类模型效果对比

与此同时，蚂蚁灵波还同步发布了ViT-G、ViT-L、ViT-B和ViT-S四个版本。其中，约3亿参数的ViT-L模型，在NYUv2上的表现就已与70亿参数级别的模型相当，参数量仅为后者的二十三分之一左右，特别适合机器人端侧部署。

▲LingBot-Vision版本信息

这意味着无论是云端大规模训练还是边缘端实时推理，LingBot-Vision都能提供合适的部署方案。

三、3D视觉龙头已率先应用：从模型到产品实现交付

技术好不好，不能只看benchmark，还要看谁在用、用在哪。国产3D视觉龙头奥比中光就是最直接的证明。

作为机器人和AI 3D视觉领域的标杆企业，奥比中光长期布局3D视觉传感器、深度相机以及机器人视觉解决方案，产品已广泛应用于服务机器人、工业机器人、人形机器人、物流自动化等多个领域。据悉，LingBot-Depth 2.0已通过奥比中光深度视觉实验室的专业认证，在深度精度、稳定性以及复杂场景适应能力方面，均达到行业领先水平。

▲LingBot-Depth 2.0可应用于机器人领域

更关键的是，双方合作已进入产品化阶段。

首先，在数据采集领域，奥比中光最新推出的EGO RGB-D数采设备已接入LingBot-Depth 2.0 API。EGO RGB-D基于Gemini 330系列双目3D相机和MX6800深度引擎芯片，能同步输出RGB图像和高精度深度数据，而LingBot-Depth 2.0则进一步承担深度增强的角色，对原始深度信息进行补全和优化，特别是针对玻璃、镜面、反光地面以及遮挡边缘这些传统深度算法容易失效的场景，输出更连续、更可靠的空间信息，为具身智能训练提供了质量更高的数据底座。

其次，在机器人开发生态方面，奥比中光已将LingBot-Depth能力集成进Gemini 330系列相机的SDK。这意味着机器人开发者无需再单独部署复杂的空间感知算法，直接调用SDK就能获得经过增强的深度数据，在机器人导航、避障、抓取、三维重建等任务中快速完成开发，大大降低了机器人厂商使用先进空间感知能力的门槛。

更进一步，双方计划于今年年底推出集成LingBot-Depth商业版模型的一体化相机产品，将3D相机硬件与空间感知能力直接融合，实现“硬件+模型”的一站式交付。对于机器人企业来说，这意味着未来购买的将不再只是一个能输出深度信息的相机，而是一套已经具备空间理解能力的视觉系统。

可见，LingBot-Depth 2.0正在完成从算法到产品的完整闭环。这个闭环不仅验证了模型自身的工程价值，也标志着蚂蚁灵波开始真正进入机器人产业链，成为机器人视觉基础设施的重要提供者。

结语：机器人视觉的新竞争，正在从模型走向生态

LingBot-Vision和LingBot-Depth 2.0的同时发布，实际上是将一整套完整的技术路线公之于众：用“空间原生”的视觉基座重新定义机器人如何看待世界，再用空间感知模型验证这条路线在真实任务中的有效性。

更值得关注的是，蚂蚁灵波正在推动的生态构建。将核心视觉基座开源，让任何机器人厂商和开发者都能基于LingBot-Vision做自己的下游任务；与奥比中光这样的产业龙头深度绑定，让空间感知能力从模型变成SDK、变成数采设备、变成一体化相机。这条路径正在降低整个行业使用高质量视觉和空间感知能力的门槛。

当机器人视觉的竞争从单一模型走向系统生态，行业的下一个分水岭或许正在到来。而蚂蚁灵波已经在为这个新阶段布局。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：蚂蚁灵波视觉模型11亿参数挑战70亿级能力要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题