知识卡片：LingBot-Vision 1.0——边界中心的稠密空间感知视觉基础模型

一句话结论

LingBot-Vision 1.0 的官网技术页把“边界中心自监督”推进为可量化系统：以 1B 参数 ViT-g/16 在 NYUv2 深度 RMSE 上取得 0.296，超过 7B 参数 DINOv3 的 0.309，并给出蒸馏家族、边界 token 时序追踪与迁移到 LingBot-Depth 2.0 的具体结果。

事件概述或研究问题

材料是 Robbyant 官网的 LingBot‑Vision Vision Foundation Model 页面，Manual title 为 LingBot-Vision 1.0。页面提出的问题是：稠密空间感知对 physical intelligence 很关键，但现代视觉基础模型常优先语义不变性，牺牲细节空间理解；能否用 boundary-centric 视角和 masked boundary modeling 学习边界与形状不连续线索，提升几何属性感知？发布日期、作者列表、训练数据来源与规模、训练算力、开源许可等材料未说明，待核实。

与既有脉络的关系

已有相关卡片已概括 LingBot-Vision 的边界中心自监督定位、无预训练骨干/人工标注/外部边缘检测器，以及在深度、分割、视频目标分割和 LingBot-Depth 2.0 编码器初始化上的领先。本条不重复这些总体判断，只补充官网技术页披露的增量：1B ViT-g/16 主模型、具体 benchmark 数值、S/B/L/g 蒸馏家族、4096-token 高分辨率特征、边界 token 时序追踪演示，以及 LingBot-Depth 2.0 的数据规模与 RMSE 细节。

方法/产品要点

核心方法：masked boundary modeling；不使用预训练骨干、人工标注或外部边缘检测器，在线学习 sub-pixel boundary representations，并把发现的 boundary-bearing tokens 作为 masked targets 做 dense visual token learning。
主模型规模：1B-parameter ViT-g/16。
边界 token：在线发现，紧密贴合物体轮廓、胡须、线缆、屏幕边缘等；每个 token 携带 sub-pixel boundary field。冻结特征余弦相似度查询可点亮对应结构。
时序追踪：首帧选查询后，仅用冻结 patch features 的余弦相似度逐帧追踪，无微调、无时序监督；静态结构保持不动，物体查询可跟随大姿态变化，响应保持选择性。
高分辨率推理：同一冻结特征可直接扩展到 4096-token grid，PCA 图保留胡须、线缆、地砖图案等细结构。
蒸馏家族：S / B / L / g 学生模型，面向不同部署预算。
LingBot-Depth 2.0：深度补全建模为 masked depth modeling（MDM），把编码器初始化从 DINOv2 换为 LingBot-Vision，覆盖 ViT-L/16 与 ViT-g/16；RGB-D 训练语料从 3M 扩到 150M 样本。

主要结果或产业意义

主模型：NYUv2 depth RMSE 0.296，页面称整体最佳，优于 7B DINOv3 的 0.309，参数少约 7 倍。
视频：冻结特征、training-free 条件下，DAVIS / YouTube-VOS J&F 为 70.0 / 73.5；页面称在所有非 DINOv3 模型中最佳，超过视频预训练的 V-JEPA 2.1。
分割：页面称与 distilled DINOv3 ViT-H+ 相当，Cityscapes 79.6，VOC12 87.5，且由单一自监督目标从零预训练。
蒸馏：0.3B ViT-L 学生在 NYUv2 上为 0.310，接近 7B DINOv3 的 0.309，参数约少 23 倍；每个部署预算下，学生模型提供同类最佳深度精度，线性探针分类与最佳竞争模型相差约一个点。
LingBot-Depth 2.0：在相同 pipeline 下，LingBot-Vision 初始化在两个尺度上都是最强起点，例如 ViT-L 上 block-masked DIODE-Indoor RMSE 为 0.094，对比 DINOv2 的 0.152；数据增长时领先扩大。LingBot-Depth 2.0 在覆盖深度模式和相机类型的 14 个 benchmark 上领先，将 block-masked DIODE-Indoor RMSE 从 1.0 的 0.132 降到 0.062，并在透明物体深度补全这一主动深度传感经典失败场景上表现突出。
页面强调深度补全的不确定性集中在物体边界和材质过渡，这正是边界锚定特征编码的结构。
产业意义：更小参数获得强稠密感知，并通过蒸馏覆盖 S/B/L 部署预算；作为 encoder init 可提升深度补全，对机器人操作、透明/反光物体处理和具身智能感知有直接相关性。

为什么重要

它把“边界”从传统边缘检测/后处理角色，变成自监督表示学习的核心锚点；评测使用冻结特征上的线性探针或免训练标签传播，强调性能来自表示本身而非读出层。对产业而言，1B 模型对 7B 模型的稠密感知优势、以及 0.3B 蒸馏学生接近 7B 模型的结果，提示视觉基础模型存在“参数效率 + 边界结构先验”的路线。对 LingBot 系列而言，本条增量把视觉基础模型与 LingBot-Depth 2.0 的迁移链条量化了。

局限与不确定性

页面未给出发布日期、作者列表、LingBot-Vision 训练数据来源与规模、训练算力、开源许可；Tech Report / Code / Hugging Face 的具体链接与开放范围待核实。
“best / leading / on par”等表述来自官方页面，第三方复现、评测协议、基线版本与统计显著性待核实。
DINOv3 7B 的具体版本和评测设置待核实。
蒸馏家族并非所有指标全面领先：官网表格中 ViT-S 的 KITTI RMSE 为 3.784，高于同表 DINOv2 的 3.568 与 DINOv3 的 2.851；Cityscapes 为 64.34，低于同表 DINOv2 的 71.44 与 DINOv3 的 73.38。因此“每个部署预算最佳深度精度”主要按页面语境理解，不覆盖所有任务/指标。
边界 token 追踪、透明/反光物体深度补全的演示来自特定视频、相机和场景，跨传感器、跨环境泛化性待核实。
LingBot-Depth 2.0 的 150M RGB-D 语料构建、清洗、偏置与合规情况待核实。

可用于图书/PPT/简报的角度

从边缘检测器到自涌现边界 token：表示学习如何把“边界”变成可查询、可追踪的实体。
小模型 vs 大模型：1B ViT-g/16 对 7B DINOv3 的稠密深度对比，以及 0.3B 蒸馏学生的部署意义。
冻结特征评测法：线性探针与免训练视频标签传播，如何突出“表示质量”。
视觉基础模型向深度补全迁移：编码器初始化 + 数据规模扩大如何复合收益。
具身智能案例：透明/反光物体深度补全、机器人头部相机双机械臂操作演示。
高分辨率细结构保持与边界 token 时序追踪：可用于讲解视频理解、机器人视觉和物理智能。
参数-性能-任务矩阵：用官网表格做多模型多任务对比，但需标注官方来源与待复现。

原始材料

英文标题：LingBot‑Vision Vision Foundation Model - Robbyant
英文关键词：Masked boundary modeling; boundary-centric self-supervised vision foundation model; dense spatial perception; boundary tokens; sub-pixel boundary field; LingBot-Depth 2.0; distilled model family
原始来源：https://technology.robbyant.com/lingbot-vision?robbyant_lang=en-US
Manual title：LingBot-Vision 1.0
Track：industry；Topics：ai-industry
页面入口：Tech Report、Code、Hugging Face（具体 URL 与开放范围待核实）