剛剛，首個空間原生的具身視覺基模開源！機器人更會看我們的世界了

螞蟻靈波近日開源首個空間原生具身視覺基模 LingBot-Vision，並同步推出基於此技術的深度感知模型 LingBot-Depth 2.0。這兩項成果讓機器人對真實世界的視覺理解出現明顯躍進，尤其是在透明物體、遠距離小目標、室內複雜光影等過去極易失敗的場景中，深度圖的穩定度與完整度都大幅提升。 從官方公布的示範影片可清楚看到這項進步。左側是原始 RGB 畫面，中間是傳統深度模型輸出的原始深度圖，杯子的輪廓破碎，部分杯壁與背景融在一起，香檳塔更出現大量空洞，幾乎無法辨識形狀。但經過 LingBot-Depth 2.0 處理後，最右側的深度圖則呈現出清晰的杯子邊界、層次與整體結構，就連極細的透明水柱都穩定可見。 對機器人來說，這種差異極為關鍵。若機械臂要抓取一個杯子，邊界看不準就可能抓偏；若機器人需在家庭、商場或工廠中持續移動，深度圖一旦破碎，後續的運動規劃與控制都會跟著抖動。正因如此，螞蟻靈波決定推出這兩套模型：LingBot-Vision 作為面向機器人真實任務的空間原生視覺底座，LingBot-Depth 2.0 則將這個底座進一步轉化為更穩定的深度輸出，補足傳統視覺模型在幾何結構上的弱點。 機器人視覺長期面臨幾類難題。首先是透明與反光材質，香檳塔就是典型：透明杯壁在 RGB 畫面中能被看到，但深度感測器與深度模型常在此處出現空洞、邊緣沾黏或區域遺失。LingBot-Depth 2.0 的輸出則盡量維持杯口、杯壁、杯身之間的幾何關係，讓機器人知道杯子的邊界、開口方向與可接近位置。第二類是小目標與遠距離目標，例如一隻狗在戶外追逐網球，傳統深度圖完全模糊，地面、牆體、網球、樹木和狗無法區分；而新模型則能清楚呈現這些物體的位置關係，對於移動機器人提前感知遠處障礙物至關重要。第三類是室內複雜場景，如玻璃門、窗簾、電視櫃等，在光照變化下很容易產生大片破碎與空洞，LingBot-Depth 2.0 的結果則更連續，牆面、門框、地面與近處物體的空間層次保留完整。第四類是弱光、遮擋與雜亂環境，傳統模型在邊緣位置常有噪點與缺口，新模型則穩定許多。 這些案例指向同一個核心問題：機器人看世界不能只靠語義理解，它需要的視覺能力更接近一種空間常識——哪裡是邊界、哪裡是空的、哪裡能走、物體距離多遠。這也是 LingBot-Vision 的設計出發點。傳統視覺基礎模型長期圍繞「理解圖像內容」來訓練，但機器人還要知道物體的幾何結構。LingBot-Vision 的做法是把邊界與空間結構直接放進預訓練目標，團隊為此提出 masked boundary modeling，這是一種讓模型專門學習難點的自監督訓練方式。 具體來說，普通的 Mask modeling 隨機遮住圖像的一塊讓模型猜回來，但遮住的地方可能只是牆面或天空等資訊密度較低的區域。LingBot-Vision 則讓教師模型在線發現圖像中的邊界 token，並將這些邊界 token 強制加入學生模型的 mask 中，這就是 boundary-forcing。模型不能只在平坦區域練習，而必須去學習更有空間資訊量的邊界區域。邊界 token 還會被分配幾何目標，讓模型同時學習語義與邊界場——描述邊界位置、方向與幾何關係的訊號。為使訓練更穩定，團隊還引入分類化的邊界場表示以及 a-contrario 檢驗，減少將噪聲誤判為真實結構的情況。 從技術規格來看，LingBot-Vision 是一個約 10 億參數的 ViT，透過純自監督訓練，在密集空間任務上可匹敵甚至超越參數量最多約 7 倍的視覺基礎模型。在 NYU-Depth v2 基準上，它取得所有對比模型中的最佳精度，包括 7B 的 DINOv3 在內。更值得留意的是它的蒸餾學生模型：0.3B 的學生模型在 NYU-Depth v2 上能達到與 7B DINOv3 相當的精度，參數量少了約 23 倍。這對機器人端側部署、算力成本與延遲來說，是非常現實的優勢。 LingBot-Depth 2.0 正是這條技術路線的直接驗證。它基於 LingBot-Vision 升級，在 12 個深度補償基準上取得領先結果。論文更指出，隨著下游訓練數據增加，LingBot-Vision 編碼器帶來的優勢會進一步擴大，不會被數據稀釋。換言之，LingBot-Vision 與 LingBot-Depth 2.0 的關係不是簡單的「視覺模型加深度模型」，而是空間原生視覺底座與空間感知落地驗證的搭配。 這項開源成果也獲得業界關注，不少網友直言玻璃與透明物體是機器人視覺的噩夢，此次突破可視為重要里程碑。此外，LingBot-Depth 2.0 已通過奧比中光深度視覺實驗室認證，雙方也圍繞 EGO-RGBD 數據採集設備、SDK 以及後續一體化相機產品展開合作，顯示這套能力正從論文與開源走向硬體與產品整合。 具身智能的發展浪潮中，大模型讓機器人能聽懂指令與規劃任務，但視覺一旦不穩，後續所有環節都會受影響。移動機器人可能繞不開障礙物，機械臂可能抓偏，服務機器人可能誤判門、牆、玻璃與人之間的相對位置。LingBot-Vision 與 LingBot-Depth 2.0 的開源，等於為機器人企業、開發者與研究機構提供一個更容易複用的視覺底座，有助於降低使用門檻，讓下游團隊能更快驗證移動、避障、抓取等真實任務。當機器人開始真正看懂空間，具身智能離全面上崗也就更近了一步。