機器人視覺迎來新突破！螞蟻靈波空間感知模型LingBot-Depth 2.0正式發佈

螞蟻集團旗下專注具身智慧領域的靈波科技，於7月7日正式推出新一代空間感知模型LingBot-Depth 2.0，同步發表的還有專為機器人視覺打造的視覺基座模型LingBot-Vision。這兩項成果瞄準機器人在物理世界中「看清、看準、看穩」的關鍵挑戰，企圖為機器人裝上更可靠的三維感知能力。 LingBot-Depth是靈波科技自主研發的空間感知模型，相當於機器人在真實環境中的雙眼。早在1.0版本，該模型就已解決傳統深度相機在透明、反光等複雜場景下的空間感測難題；時隔不到一年，2.0版本在訓練資料規模上從300萬筆大幅擴充至1.5億筆，使模型在邊緣清晰度、細小物體辨識、遠距離深度估計以及複雜場景的穩健性上全面進化。 根據官方公布的評測數據，LingBot-Depth 2.0在深度補全領域的16項基準測試中拿下12項第一。最受關注的室內大面積深度缺失任務中，其深度誤差RMSE從1.0版的0.132降至0.062，精準度提升超過一倍；而在玻璃、鏡面、透明物體這類傳統深度感測器最容易失靈的場景，該模型的表現尤為突出，能夠補全出完整且平整的三維結構。 此次同步亮相的LingBot-Vision，是支撐LingBot-Depth 2.0表現躍升的關鍵視覺基座。靈波科技指出，LingBot-Vision是業界首個將「邊界結構」直接設為預訓練目標的通用視覺模型，突破了既有空間感知訓練範式。該模型僅使用1.6億張圖像進行預訓練，資料量比同類知名的DINOv3模型小一個數量級，但深度估計精度卻優於後者，並具備亞像素等級的邊界定位與空間結構理解能力。此外，LingBot-Vision對物體邊界的判定高度穩定，能在連續影片中精確追蹤物體輪廓，讓機器人從單純「看懂」進階到「看準」的層次。 為促進產業發展，靈波科技宣布LingBot-Vision一次開源四個版本，分別為ViT-G、ViT-L、ViT-B與ViT-S，涵蓋不同運算資源需求。LingBot-Vision不僅用於訓練LingBot-Depth 2.0，也具備「一模多用」的通用性，可望廣泛應用於各類機器人視覺任務。 在商業落地方面，靈波科技已與3D視覺感測大廠奧比中光展開深度合作。LingBot-Depth 2.0正式獲得奧比中光深度視覺實驗室專業認證，實際測試結果顯示，搭載奧比中光Gemini 330系列雙目3D相機後，該模型在邊緣清晰度、物體輪廓完整性、細小物體辨識、長距離深度估計以及多樣光照與材質場景的適應能力均明顯提升。 根據雙方合作規劃，奧比中光最新推出的無本體數據採集產品中，搭載RGB-D功能的EGO設備將會預先配置靈波科技針對數據採集場景最佳化的LingBot-Depth版本，未來更計畫導入更高階的商業版模型，持續改善深度缺失、物體邊緣與空間結構細節，為具身智慧模型的訓練提供更精準且穩定的真實世界數據基礎。同時，奧比中光也將推出整合最新LingBot-Depth模型能力的SDK產品，讓使用Gemini 330系列相機的機器人客戶能在端側直接獲得更好的深度效果；預計今年底，雙方還會推出內建LingBot-Depth商業版的一體化3D相機產品，實現「3D相機＋空間感知能力」的完整交付。 靈波科技強調，目前兩款模型的技術報告以及LingBot-Vision模型權重均已對外開源，希望透過開放的方式與業界共同打造機器人視覺基礎設施，協助機器人突破在真實世界中「看懂、看準、看穩」的產業瓶頸，進而加速具身智慧應用的規模化落地。