蚂蚁集团的凌博开源了LingBot-Depth 2.0和LingBot-Vision——一款原生支持空间信息的具身视觉基础模型
蚂蚁集团旗下的凌波科技发布了LingBot-Depth 2.0,并开源了基础模型LingBot-Vision,该模型将边界结构作为核心预训练信号。

2026年7月7日,蚂蚁集团旗下的具身人工智能子公司凌波科技发布了两项用于机器人感知的核心组件,并向开发者开放了相关接口。 LingBot-Depth 2.0是一款基于1.5亿规模深度数据集训练的新型空间感知模型,目前在16项行业深度补全基准测试中,有12项位居榜首。在存在大面积深度缺失区域的最困难室内测试中,其均方根误差(RMSE)从0.132降至0.062。 该公司还开源了LingBot-Vision,这是一款将边界结构作为首要预训练目标的基础模型。团队将其称为“空间原生”模型,在NYU-Depth v2迁移任务中,其表现可与规模高达七倍的模型持平或超越,包括参数达70亿的DINOv3基线模型。 一个拥有3亿参数的蒸馏模型,在使用约23分之一参数和1.6亿张图像的预训练数据集的情况下,仍能与70亿参数的参考模型保持同等性能,其数据集规模仅为DINOv3风格预训练方案的十分之一左右。
公告内容
凌博7月7日发布的组合包包含两个独立组件,旨在在具身场景中协同工作。
· LingBot-Depth 2.0 是一款面向生产应用的深度补全与估算模型。它在 1.5 亿样本规模下进行训练,并在室内场景以及会让传统传感器产生混淆的复杂材质场景中取得了新成果。玻璃板、镜子及其他透明或反射表面是其特别擅长的领域。
· LingBot-Vision 是一款基于 ViT 骨干网络的自监督视觉基础模型,其预训练任务迫使模型恢复边界结构。该公司将其定义为“空间原生预训练”,因为它为变压器(Transformer)提供了明确的空间目标,而非让几何结构隐式地自然形成。
这两个项目均已向社区开源。LingBot-Vision
权重提供四种规格,大致对应 ViT-G、ViT-L、ViT-B 和 ViT-S 级别,相关代码已发布在 GitHub 上,模型卡片已发布在 Hugging Face 上。技术报告已发布在 arXiv 上,编号为 2607.05247。为何将边界结构作为目标至关重要
大多数自监督视觉预训练方法采用图像重建、不变性或师生蒸馏来塑造特征。这些方法虽然产生了强大的通用描述子,但无法保证所学习的特征能够编码与表面和物体边缘对齐的清晰空间不连续性。 机器人感知系统通常需要这些精确的信息来支持导航、抓取规划和场景理解,特别是在深度传感器失效或机器人必须在部分观测条件下进行规划时。
LingBot-Vision 将边界提升为训练目标。研究团队提出了“遮蔽边界建模”(有时也称为“边界强制”),在此任务中,模型必须根据上下文预测被有意隐藏的边界线索。通过这一任务,模型对轮廓连续性、深度不连续性以及遮挡几何关系的敏感度得以提升。 这种归纳信号简化了向深度估计和深度补全的下游迁移。它还提升了在侧重空间推理的任务中“零样本”或“低样本”场景下的性能,因为该骨干网络已经处理过数百万个案例,其中边缘承载着关于场景3D结构的最有价值信息。
在机器人领域,选择这一路径有其现实考量。机器人常在反射性和透明表面环境中运行,这些表面会干扰主动式深度传感器。玻璃窗、亚克力护罩和抛光金属表面会导致飞行时间(ToF)和结构光相机输出无效或噪声较大的读数。 一种经过调优、能够从单目线索中识别边界并推断几何结构的视觉模型,可以缓解这些故障模式,而这正是LingBot-Depth 2.0旨在利用基础模型特性的地方。
证据
关于基准测试和数据效率凌博报告称,LingBot-Vision 基于一个约 10 亿参数的 ViT 配置构建,并配有规模较小的蒸馏子模型。在 NYU-Depth v2 深度估计迁移任务中,主模型在内部对比中达到了或超过了规模大得多的“教师”风格基线模型的性能,包括一个 70 亿参数的 DINOv3 参考模型。 据报道,该0.3B的蒸馏学生模型在仅为7B模型几分之一规模的情况下,其性能与7B模型相当,参数数量减少了约23倍。 预训练数据集包含1.6亿张图像,比同类自监督管道中常用的数据集规模小一个数量级。这种效率是重要的运营优势,因为许多机器人团队既没有预算,也没有时间运行涉及数百亿样本的训练流程。
在深度学习方面,LingBot-Depth 2.0 刷新了多项关键指标。 在该公司测试矩阵中,该模型在16个公开追踪的深度补全基准测试中,有12个名列前茅。最引人注目的数据是,在存在大面积缺失区域的最困难室内场景中,均方根误差(RMSE)从0.132降至0.062,减半。 玻璃、镜子及透明物体也被列为性能提升的案例,这些场景对应着仓库、零售和服务环境中实际存在的运营痛点。这些结论已通过 Orbbec 深度视觉实验室的认证,在 LingBot 内部验证的基础上增加了第三方测量层。
尽管社区内的独立复现尚需时日,但结果特征与“显式边界监督可突破经典边界案例”这一理念相符。通过将特征偏向表面断点,即使直接深度反馈失败,该模型仍能推断形状和布局。
LingBot-Vision 与现有模型的对比
具身视觉并非单一任务,也没有任何单一的预训练目标能满足所有下游需求。尽管如此,某些默认设置已逐渐成为常态。DINO风格的自监督ViT模型依然
为表示学习奠定了坚实的基础。Meta的“Segment Anything”模型在分割工作流中占据主导地位,并为下游任务提供了可通过提示生成的遮罩,但该模型并非为深度估计而设计。传统的遮罩自编码器虽具备重建能力,但在几何任务中往往需要进行大量调整才能具备竞争力。Lingbo 的贡献在于添加了一个针对空间不连续性的简单、显式的偏置,并证明仅通过这一改动,便能在无需进行数十亿张图像预训练的情况下,实现强大的深度迁移能力。 在 NYU-Depth v2 数据集上,经过蒸馏处理的 0.3B 学生模型与 7B DINOv3 参考模型表现持平,这最清晰地体现了这一理念。这表明,几何任务所需的大部分信息存在于边界中,而不仅仅在于全局不变性或教师匹配分数。
具身视觉与深度感知模型的并列对比
下文对具身视觉研究中常见的感知骨干网络进行了简要对比。重点关注预训练目标、参数规模、空间偏好,以及对深度任务和边缘部署的适用性。

与 Orbbec 合作实现产品化及边缘 SDK
开源只是故事的一半。凌博还与 Orbbec 共同启动了部署计划。该公司表示,Orbbec 的深度视觉实验室已对主要结果进行了认证。双方正合作优化 LingBot-Depth 在 Gemini 330 系列深度摄像头上的性能。 计划对 EGO RGB D 数据采集设备进行适配,以促进数据集的扩展和实地评估。Lingbo 还预览了专为边缘应用量身定制的 SDK,这对无法保持与云端稳定连接的移动机器人至关重要。路线图包括一款集成摄像头产品,该产品将在年底前搭载 LingBot-Depth 的商用版本上市。
该合作模式表明产品开发将分为两个层面。首先是软件调优和模型
针对Orbbec硬件限制进行的适配。其次,为希望获得即装即用感知模块的客户提供垂直整合方案,从而缩短小型机器人团队的集成时间。值得关注的工程设计决策
正如凌博所描述的,其中几项设计决策值得从业者重点关注。
· 边界优先目标。带遮罩的边界建模改变了模型默认的学习内容。它避免了基于纯重建或不变性的表示方式,并将边缘作为第一类信号。
· 参数高效的模型。0.3B的蒸馏模型绝非玩具。如果它在深度迁移方面能与7B的DINOv3参考模型媲美,那么它将扩大无需服务器级硬件即可运行强大感知功能的机器人范围。
· 中等规模预训练数据集。1.6亿张图像的数据集规模虽大,但对于资金充裕的实验室而言,这更接近实际可行的上限,而非10亿张图像的规模。这为研究的可复现性和进一步探索开辟了道路。
· 与深度补全任务的对齐。基础模型与 Depth 2.0 之间的紧密耦合在玻璃和镜子场景的实验结果中得以体现。这种搭配提醒我们:当基础模型与继承其归纳偏好的特定任务相匹配时,便能发挥显著效果。
潜在的局限性
发布说明指出,该模型在室内场景以及传感器深度常处理不当的材料方面表现突出。但仍有未解之题。
· 户外泛化能力。强烈的阳光、天气变化以及远距离场景,既对单目推理构成挑战,也对主动
深度传感器。该报告重点关注室内及类似室内环境。有关室外的证据将很有帮助。· 多摄像头融合。许多机器人同时采用立体摄像头、RGB D摄像头和事件摄像头。LingBot-Vision的特征在融合处理管道中的表现值得深入探索。
· 运动与时间连续性。边界目标是在图像层面上定义的。显式建模时间边界和运动边界,有望在SLAM和动态障碍物追踪等任务中带来性能的再次飞跃。
· 无标签完整性。自监督方法可能会继承数据集中的偏见。以边界为重点的预训练可能会过度强调纹理或艺术作品中那些并不表示几何信息的边缘。需要针对不同领域进行仔细评估。
尽管存在这些注意事项,但这丝毫不减弱深度补全领域所取得进展的重要性。这些要点为学术界接下来可能开展的实验提供了框架。
这对具身人工智能和机器人采购方意味着什么
对于在仓库、零售、医院和酒店业开发移动机器人的团队而言,脆弱的感知能力是导致停机时间的常因。如果机器人误判玻璃门或无法识别镜子,轻则导致停机,重则造成损坏。如果基础模型加上一经调优的深度头能减少此类事件,这将成为采购层面的决策依据。
· 减少传感器替换。透明和反光材料往往会导致需要采用昂贵的硬件变通方案。能够弥合这些差距的软件,使采购方能够继续使用标准的摄像头和深度模块。
·
边缘适用性。一款仍具竞争力的0.3B模型,使其在嵌入式GPU或中端计算模块上运行成为可能。这缓解了移动平台在散热和电池方面的限制。· 数据利用率。如果模型在 1.6 亿张图像上已能实现强大的空间表示能力,那么扩展数据收集的重点将更多地放在边缘场景和领域覆盖上,而不仅仅是原始数据量。
· 供应商生态系统。Orbbec 的集成与 SDK 可降低集成门槛。若集成式摄像头产品能按时推出,将为系统集成商提供现成的升级路径。
开源详情及入门指南
Lingbo 已发布了 LingBot-Vision 的代码以及四种规模的检查点,其容量分别对应 ViT-G 至 ViT-S 级别的模型。
· Hugging Face:robbyant/lingbot-vision
· GitHub:robbyant/lingbot-vision
· 技术报告:arXiv 2607.05247
早期采用者可以从 B 或 S 规模开始,在目标硬件上测试吞吐量和内存使用情况,如果应用允许,再逐步升级到 L 或 G 规模。 在深度补全领域,LingBot-Depth 2.0被定位为机器人任务的主要模型。该公司尚未发布针对1.5亿张深度数据集的训练代码,但已详细说明了评估矩阵,并将发布一个SDK以简化在边缘设备上的部署。
LingBot版本发布的历史背景
Lingbo 在 2026 年进行了快速迭代。Depth 1.0 于 1 月 27 日发布,随后 LingBot-World 于 1 月 29 日发布,
4月27日发布了World-Fast,随后在4月16日发布了LingBot-Map。今天的发布将这两条研究线有机结合起来,通过强化深度并巩固基础模型与几何头部之间的联系。这一发布节奏也表明,研究团队做出了战略性押注:具身人工智能需要具有空间偏向的预训练,而不仅仅是更大的通用视觉模型。如何评估您自身技术栈的性能
· 在最棘手的场景中进行测试。如果您的机器人在镜面或半透明防护罩前表现不佳,请使用您的数据重现该公司的测试场景。
· 测量延迟和热预算。这款 0.3B 的蒸馏子模型专为边缘计算设计,但工作负载组合可能导致内存占用或发热量激增。结合您的导航栈进行端到端性能分析。
· 检查长尾泛化能力。保留与训练集不同的场景位置和光照模式作为测试样本。
· 规划融合方案。若使用立体视觉或激光雷达,请评估边界特征是否能提升融合稳定性。
透明的流程将使买家能够判断这些优势是否能在其实际运营中得到体现。
展望
如果边界目标继续展现出这一水平的杠杆效应,它可能会成为具身模型预训练中的标准组件。 最直接的短期效果可能是:在玻璃和镜面密集的环境中,室内导航和操作性能将得到提升。到今年年底,搭载 LingBot-Depth 商业版的一体化 Orbbec 相机将为市场提供一个现成的验证案例。如果该产品达到性能和价格目标,预计各研究实验室和供应商将纷纷推出类似的边界目标。
目前,该开源版本降低了
这曾是尝试该方法的一大障碍。它为初创公司和研究实验室提供了一条切实可行的途径,使其无需投入数十亿样本的训练工作,就能实现更强大的深度迁移。对于一个需要更多实际成果、而不仅仅是更大模型的生态系统而言,这无疑是个好消息。来源
· QbitAI
· GitHub:robbyant/lingbot-vision
· Hugging Face:robbyant/lingbot-vision












