知识卡片：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

一句话结论

蚂蚁灵波发布的LingBot-Vision和LingBot-Depth 2.0，首次从“边界”学习入手，使机器人在透明材质、小目标、远距离、弱光等复杂场景下的深度感知显著提升，并已开源模型权重和代码。

事件概述

蚂蚁灵波团队于2026年7月7日发布了LingBot-Vision（面向机器人真实任务的空间原生视觉基模）和LingBot-Depth 2.0（基于该基模的空间感知模型）。前者作为视觉底座，更重视几何结构与边界，后者将底座能力转化为更稳定的深度结果。研究团队开源了模型权重、代码和技术报告。

方法/产品要点

• LingBot-Vision：约10亿参数级的ViT，采用自监督训练。核心创新是masked boundary modeling，通过教师模型在线发现边界token并强制学生模型学习这些高信息密度区域（boundary-forcing），同时引入分类化边界场表示和a-contrario检验以减少噪声误判。
• LingBot-Depth 2.0：基于LingBot-Vision的深度补全模型，在12个深度补全benchmark上取得领先结果。
• 蒸馏能力：0.3B学生模型在NYU-Depth v2上能达到与7B DINOv3相当的精度，参数量约少23倍，利于端侧部署。
• 开源资源：模型权重（HuggingFace和ModelScope）、GitHub代码仓库、arXiv技术报告、项目主页。

主要结果或产业意义

• 在NYU-Depth v2上取得所有对比模型中的最佳精度（包括7B DINOv3）。
• 在透明/反光材质（如香槟塔）、小目标（如远距离网球）、复杂室内场景（玻璃门、窗帘、弱光）、杂乱遮挡等四类机器人视觉“噩梦”场景中，深度图边缘更清晰、轮廓更完整、破碎空洞更少。
• 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、SDK和一体化相机产品展开合作。
• 可服务于移动机器人、机械臂、仓储物流、工业巡检、服务机器人、人形机器人、3D视觉设备、空间计算等领域。

为什么重要

具身智能进入真实世界时，视觉感知不稳会导致后续移动、避障、抓取全链条出错。传统视觉模型侧重语义理解，而机器人需要“空间常识”（边界、深度、几何关系）。LingBot-Vision从预训练阶段融入几何结构学习，与DINOv3等通用基础模型形成关键差异，且开源性降低了机器人企业和研究者的使用门槛，促使竞争向底层视觉底座延伸。

局限与不确定性

• 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、控制精度和成本仍需继续打磨。
• 文中未提及跨场景泛化测试的具体失败案例或局限性，需待用户自行验证模型在不同传感器/算力平台上的表现。

可用于图书/PPT/简报的角度

• 技术切入：从“边界学习”引入具身视觉新范式，适合讲解自监督预训练与空间感知的结合。
• 行业意义：机器人视觉从“看得见”到“看得准”的跃迁，可配合透明/小目标等失败 vs 成功对比图。
• 开源生态：蚂蚁灵波开源策略如何降低具身智能研究门槛，加速硬件产品集成。
• 对比分析：LingBot-Vision vs DINOv3 在空间任务上的精度与效率优势。

原始材料

• URL: https://www.qbitai.com/2026/07/445230.html
• 英文标题: LingBot-Vision & LingBot-Depth 2.0: First Spatial-Native Embodied Vision Foundation Model Open-Sourced
• 英文关键词: embodied AI, robot vision, spatial-native, Ant Lingbo, depth estimation, open-source
• 来源：量子位 / 蚂蚁灵波