知识卡片：LingBot-Vision——边界中心的稠密空间感知视觉基础模型

一句话结论

LingBot-Vision 是一个以边界为中心的自监督视觉基础模型，利用掩码边界建模（Masked Boundary Modeling）让边界表征从数据中自发涌现，并在无预训练骨干、无人工标注、无外部边缘检测器的条件下，在深度估计、语义分割、视频目标分割等稠密感知任务上取得领先结果；同时作为 LingBot-Depth 2.0 的编码器初始化，显著提升深度补全性能。

事件概述 / 研究问题

现代视觉基础模型往往优先保持语义不变性（semantic invariance），却牺牲了细节空间理解。LingBot-Vision 从“边界/形状不连续”入手研究视觉预训练，认为边界和形状不连续为感知几何属性提供关键线索。其核心是掩码边界建模：模型在预训练中在线学习亚像素（sub-pixel）边界表征，并把发现的边界承载 token 作为掩码目标，驱动稠密视觉 token 学习。

方法/产品要点

掩码边界建模：不使用预训练骨干、人工标注或外部边缘检测器，边界 token 从零开始涌现，紧密勾勒物体轮廓、胡须、电缆和屏幕边缘；每个 token 携带一个亚像素边界场。
边界忠实的稠密特征：将冻结 patch 特征的前三个 PCA 分量映射为 RGB，物体内部平滑，特征过渡精确落在物体轮廓上，没有逐 token 的斑点或块状噪声。
高分辨率特征推理：冻结特征可直接扩展到高分辨率（例如 4096 token 网格），仍能保持胡须、电缆、地板砖纹等细薄结构。
边界 token 的时间跟踪：仅用冻结特征的余弦相似度，无需微调和时间监督，即可跨帧跟踪静态结构和大姿态变化对象；在窗前猫的片段中，模型高亮的是玻璃上真实污渍而非伪影。
蒸馏模型族：ViT-g 教师蒸馏出 ViT-L/B/S 学生，每个部署预算下深度精度同类最佳；0.3B 的 ViT-L 学生以约 23 倍更少参数达到 7B DINOv3 的 NYUv2 深度 RMSE（0.310 vs 0.309）。
页面提供 Tech Report / Code / Hugging Face 入口，但具体开放范围和许可协议待核实。

主要结果

线性探测深度估计：NYUv2 RMSE 0.296，优于 7B 参数 DINOv3 的 0.309，且参数少约 7 倍。
线性探测语义分割：与蒸馏版 DINOv3 ViT-H+ 相当（Cityscapes 79.6，VOC12 87.5），且是用单一自监督目标从零预训练。
免训练视频目标分割：DAVIS-2017 J&F 70.0、YouTube-VOS 73.5，在所有非 DINOv3 模型中最佳，超过视频预训练的 V-JEPA 2.1。
支撑 LingBot-Depth 2.0：将编码器从 DINOv2 换成 LingBot-Vision（ViT-L 和 ViT-g），并把 RGB-D 训练语料从 3M 扩展到 150M 样本；同一管线在 block-masked DIODE-Indoor 上，ViT-L 的 RMSE 从 DINOv2 初始化的 0.152 降到 0.094，且随数据增长优势扩大。
LingBot-Depth 2.0 在 14 个覆盖不同深度模式和相机类型的基准上领先，block-masked DIODE-Indoor RMSE 从 1.0 的 0.132 降至 0.062，并擅长透明物体捕获——这是主动深度传感的经典失败场景。

为什么重要

LingBot-Vision 提供了一个与“语义不变性优先”不同的视觉预训练路线：以边界/空间不连续为中心，用自监督方式学习稠密空间特征，且无需外部边缘检测器和额外标注。它直接服务物理智能所需的深度估计、分割、特征跟踪，并成为 LingBot-Depth 2.0 的性能提升关键。与已有卡片中的 LingBot-VA 2.0（世界动作模型）不同，本条是同一系列中的视觉基础模型/感知底座，属于增量信息；此前已知 LingBot-VA 2.0 在机器人动作侧取得突破，而 LingBot-Vision 支撑其稠密空间感知能力。

局限与不确定性

页面未明确给出模型发布时间和“LingBot-Vision 1.0”版本号，版本号待核实。
训练数据规模、计算资源、开源协议等未在材料中说明（仅有 Tech Report / Code / Hugging Face 入口，具体开放程度待核实）。
展示结果主要来自冻结特征线性探针或免训练评估，端到端微调后的表现未知。
并非所有规模/任务都全面领先：例如 ViT-S 学生 Cityscapes mIoU 为 64.34，低于 DINOv3 的 73.38；分类或部分分割指标上仍与 DINOv3 交错。
以上结果均来自项目页面自述，未经第三方同行评议或独立复现验证。

可用于图书/PPT/简报的角度

用“边界”作为视觉表征学习的核心线索，挑战“语义不变性高于空间细节”的主流做法。
从具身智能视角解释视觉基础模型：稠密空间感知比图像分类更能支撑物理世界交互。
效率叙事：1B 模型超越 7B 模型（NYUv2 深度），蒸馏学生以 23 倍更少参数追平 DINOv3，适合部署/端侧场景。
透明与反射物体深度补全：主动传感器失效时，基于学习的深度补全方案如何补位。

与既有脉络的关系

本条是 LingBot 系列在“视觉感知”方向的独立发布，区别于已有卡片中的 LingBot-VA 2.0（具身世界动作模型/VA 基座模型）；LingBot-Vision 提供稠密空间特征，并能为 LingBot-Depth 2.0 提供编码器初始化。
由于源页面未出现“蚂蚁灵波”字样，本卡片的组织归属采用“Robbyant（LingBot 系列）”表述；与蚂蚁灵波的关系待核实（但结合已有卡片上下文推测为同一系列）。

原始材料

英文标题：LingBot‑Vision Vision Foundation Model - Robbyant
英文关键词：LingBot-Vision, Masked Boundary Modeling, Self-Supervised Vision Foundation Model, Dense Spatial Perception, Depth Completion
原始来源：https://technology.robbyant.com/lingbot-vision