螞蟻集團的凌博開源了 LingBot-Depth 2.0 以及 LingBot-Vision——一款空間原生具身視覺基礎模型
螞蟻集團旗下的凌博科技發布了 LingBot-Depth 2.0,並將 LingBot-Vision 開源——這是一款將邊界結構作為核心預訓練信號的基礎模型。

2026年7月7日,螞蟻集團旗下專注於具身人工智慧的子公司凌波科技,發布了兩項用於機器人感知的重要基礎模組,並向開發者開放使用。 LingBot-Depth 2.0 是一款基於 1.5 億級別深度資料集訓練的新型空間感知模型,目前在 16 項業界深度補全基準測試中,有 12 項名列前茅。在存在大面積深度資料缺失的最具挑戰性室內測試中,其均方根誤差(RMSE)從 0.132 降至 0.062。 該公司同時開源了 LingBot-Vision,這是一款將邊界結構視為一級預訓練目標的基礎模型。團隊稱其為「空間原生」模型,在 NYU-Depth v2 轉移學習中,其表現可與參數規模高達七倍的模型匹敵或超越,包括參數達 70 億的 DINOv3 基準模型。 一個擁有 3 億參數的蒸餾版模型,在僅使用約 23 分之一參數量及 1.6 億張圖片的預訓練資料集的情況下,仍能與 70 億參數的參考模型保持同等水準,其資料集規模約為 DINOv3 風格配方規模的十分之一。
公告內容
凌博於 7 月 7 日發布的套件包含兩項獨立組件,專為在具身情境中協同運作而設計。
· LingBot-Depth 2.0 是一款以實務應用為導向的深度補全與估算模型。該模型在 1.5 億個樣本規模下進行訓練,並在室內環境及會干擾傳統感測器的艱鉅材質上創下新紀錄。玻璃面板、鏡子及其他透明或反射表面是其特別擅長的領域。
· LingBot-Vision 是一款基於 ViT 骨幹的自監督視覺基礎模型,其預訓練任務旨在迫使模型重建邊界結構。該公司將此定義為「空間原生預訓練」,因為它為變壓器模型提供了明確的空間目標,而非讓幾何結構隱式地自然形成。
這兩項專案均已向社群開放。LingBot-Vision
權重提供四種尺寸,大致對應於 ViT-G、ViT-L、ViT-B 和 ViT-S 等級,相關程式碼已上傳至 GitHub,模型卡則發布於 Hugging Face。技術報告已以編號 2607.05247 發表於 arXiv。為何將邊界結構作為目標至關重要
大多數自監督視覺預訓練方法會利用影像重建、不變性或師生蒸餾來塑造特徵。這些方法雖產生了強大的通用描述子,卻無法保證所學習的特徵能編碼與表面及物體邊緣對齊的清晰空間不連續性。 機器人感知系統往往需要這些精確的資訊來支援導航、抓取規劃及場景理解,特別是在深度感測器失效,或機器人必須在部分觀測條件下進行規劃時。
LingBot-Vision 將邊界提升為訓練目標。研究團隊闡述了「遮罩邊界建模」(有時稱為「邊界強制」),在此過程中,模型必須從上下文中預測被刻意隱藏的邊界線索。透過此任務,模型對輪廓連續性、深度不連續性以及遮擋幾何結構的敏感度將大幅提升。 這種歸納性訊號簡化了後續向深度估算與深度補全的轉移。它亦能提升在重視空間推理任務中的零樣本或低樣本表現,因為核心模型已觀察過數百萬個案例,其中邊緣蘊含著關於場景 3D 結構的最有用資訊。
在機器人領域中,選擇此路徑有其務實的考量。機器人運作的環境中充斥著反射性與透明表面,這些表面會使主動式深度感測器失效。玻璃窗、壓克力護罩及拋光金屬,都可能導致飛行時間(ToF)與結構光相機回報無效或雜訊過多的讀數。 一種經過調校、能從單眼視訊線索中辨識邊界並推斷幾何結構的視覺模型,可緩解這些失效模式;而這正是 LingBot-Depth 2.0 設計時,旨在充分利用基礎模型特性的關鍵所在。
證據
關於基準測試與資料效率凌波報告指出,LingBot-Vision 是以約 10 億參數的 ViT 配置為基礎建構,並搭配規模較小的蒸餾學生模型。在 NYU-Depth v2 深度估計轉移任務中,主模型在內部比較中,其表現不僅達到甚至超越了參數規模大得多的教師型基準模型,包括一個 70 億參數的 DINOv3 參考模型。 據報告指出,這個 0.3B 的蒸餾學生模型,在體積僅為原模型一小部分的情況下,其表現可與 7B 的結果相媲美,參數數量約減少了 23 倍。 預訓練數據集包含 1.6 億張影像,規模比同類自監督管道常使用的資料集小一個數量級。這種效率是重要的實務優勢,因為許多機器人團隊沒有預算或時間來處理數百十億個樣本的訓練量。
在深度學習方面,LingBot-Depth 2.0 創下突破性成績。 在該公司的測試矩陣中,該模型於 16 項公開追蹤的深度補全基準測試中,有 12 項名列前茅。最引人注目的數據是,在存在大範圍缺失區域的最困難室內情境下,均方根誤差(RMSE)從 0.132 降至 0.062,減半。 玻璃、鏡子及透明物體也被列為表現提升的案例,這些情境正對應於倉儲、零售及服務環境中的實際運作痛點。這些聲明已獲得 Orbbec 深度視覺實驗室的認證,在 LingBot 的內部驗證基礎上增添了第三方測量層。
儘管社群中的獨立重現尚需時日,但結果的特徵與「顯式邊界監督能突破經典邊緣案例」的理論相符。透過將特徵偏向表面斷點,即使直接的深度回傳失敗,模型仍能推斷形狀與佈局。
LingBot-Vision 與現有模型的比較
具身視覺並非單一任務,也沒有單一的預訓練目標能滿足所有下游需求。儘管如此,仍有幾種預設方法已成為常規做法。DINO 風格的自監督 ViTs 依然
代表性學習的堅實基礎。Meta 的「Segment Anything」模型在分割工作流程中佔據主導地位,並為下游任務提供可透過提示控制的遮罩,但該模型並非為深度估算而設計。傳統的遮罩自編碼器雖具備重建能力,但在幾何任務中往往需要進行大幅調整才能具備競爭力。Lingbo 的貢獻在於加入一種針對空間不連續性的簡單且明確的偏置,並證明僅此一項變更,便能在無需進行十億張圖像預訓練的情況下,實現強大的深度轉移能力。 在 NYU-Depth v2 數據集上,這組經過蒸餾的 0.3B 學生模型能與 7B 的 DINOv3 參考模型達到同等表現,正是該理念最鮮明的體現。這表明幾何任務所需的大部分訊號存在於邊界之中,而不僅僅在於全局不變性或教師模型匹配分數。
具身視覺與深度感知模型並列比較
以下是對具身視覺研究中常見感知骨幹選擇的簡要比較。其重點在於預訓練目標、參數規模、空間偏好,以及適用於深度任務與邊緣部署的適配性。

與 Orbbec 合作進行產品化及邊緣 SDK 開發
開源僅是故事的一半。凌博還與 Orbbec 共同啟動了部署計畫。該公司表示,Orbbec 的深度視覺實驗室已認證了這些主要研究成果。雙方正合作在 Gemini 330 系列深度相機上優化 LingBot-Depth。 為促進數據集的擴展與實地評估,計畫對 EGO RGB D 數據收集裝置進行適配。凌博還預覽了專為邊緣使用量身打造的 SDK,這對於無法維持與雲端可靠連線的移動機器人至關重要。路線圖包含一款整合式相機產品,將於年底前隨附 LingBot-Depth 的商用版本出貨。
此合作模式顯示產品開發將分為兩個層面。首先是軟體調校與模型
為因應 Orbbec 的硬體限制而進行的轉換。其次,針對希望獲得可直接安裝的感知模組的客戶,提供一種垂直整合的方案,這能為小型機器人團隊節省整合時間。值得關注的工程設計抉擇
正如凌博所描述的,其中幾項設計決策值得實務工作者特別關注。
· 邊界優先目標。遮罩邊界建模改變了模型預設的學習內容。它避免了純粹基於重建或不變性的表示方式,並使邊緣成為一級信號。
· 參數高效的學習模型。這個 0.3B 的蒸餾模型絕非玩具。若其在深度轉移方面能媲美 7B 的 DINOv3 參考模型,將擴大無需伺服器級硬體即可運行強大感知功能的機器人範圍。
· 中規模預訓練資料集。1.6 億張圖像資料集規模雖大,但相較於 10 億張圖像的訓練規模,這更接近資金充裕實驗室的實際上限。這為研究成果的複現與後續研究開闢了道路。
· 與深度補全的對齊。基礎模型與 Depth 2.0 之間的緊密耦合,在玻璃與鏡面的測試結果中顯而易見。這種搭配提醒我們,當基礎模型與繼承其歸納偏好的特定任務對齊時,便能發揮最大效益。
潛在的局限性
發布說明指出,該模型在室內場景以及感測器深度常處理失當的材質上表現出色。但仍有未解的問題。
· 戶外泛化能力。強烈的陽光、天氣變化以及長距離場景,皆會對單眼推論與主動
深度感測器。該報告主要聚焦於室內及類似室內的環境。若能提供戶外環境的實證資料將有所助益。· 多相機融合。許多機器人會同時使用立體相機、RGB D 相機及事件相機。LingBot-Vision 的功能在融合處理流程中的表現,值得進一步探索。
· 運動與時間連續性。邊界目標目前是定義在影像層級。若能明確建模時間邊緣與運動邊界,對於 SLAM 和動態障礙物追蹤等任務而言,很可能能使效能再上一個台階。
· 無標籤完整性。自監督學習方法可能繼承資料集的偏誤。邊界密集的預訓練可能會過度強調紋理或藝術作品中的邊緣,而這些邊緣並不一定代表幾何結構。因此需要針對多樣化的領域進行謹慎評估。
上述各項注意事項均無損於本次深度補全研究所報告的進展之重要性。它們為學術界接下來可能進行的實驗系列提供了框架。
這對具身人工智慧與機器人採購者的意義
對於在倉庫、零售、醫院及 hospitality 領域開發移動機器人的團隊而言,不穩定的感知能力是導致停機時間的常態來源。若機器人誤判玻璃門或無法辨識鏡面,輕則導致機器人停滯,重則造成損壞。若基礎模型搭配經調校的深度感測頭能減少此類事件,這將成為採購層級的決策考量。
· 減少感測器更換需求。透明與反射性材質往往會引發昂貴的硬體變通方案。能彌補這些缺口的軟體,讓採購方得以保留標準的相機與深度感測模組。
·
邊緣可行性。一款能保持競爭力的 0.3B 模型,使其實際上可在嵌入式 GPU 或中階運算模組上運行。這有助於緩解行動平台的散熱與電池限制。· 數據運用。若模型能透過 1.6 億張影像建立強大的空間表徵,那麼擴大規模收集額外數據時,重點將轉向邊緣案例與領域覆蓋範圍,而不僅僅是原始數據量。
· 供應商生態系統。Orbbec 的整合與 SDK 可降低整合門檻。若整合式相機產品能如期推出,將為系統整合商提供現成的升級路徑。
開源詳情與入門指南
Lingbo 已發布 LingBot-Vision 的原始碼,並提供四種尺寸的檢查點,其容量分別對應於 ViT-G 至 ViT-S 級別。
· Hugging Face:robbyant/lingbot-vision
· GitHub:robbyant/lingbot-vision
· 技術報告:arXiv 2607.05247
早期採用者可先從 B 或 S 規格著手,在目標硬體上測試吞吐量與記憶體使用情況,若應用情境允許,再逐步升級至 L 或 G 規格。 在深度完成任務方面,LingBot-Depth 2.0 被定位為機器人任務的主要模型。該公司尚未發布針對 1.5 億張深度數據集的訓練程式碼,但已說明評估矩陣,並將發布 SDK 以利於在邊緣裝置上部署。
LingBot 版本發布的歷史背景
Lingbo 在 2026 年進行了快速迭代。Depth 1.0 於 1 月 27 日推出,隨後於 1 月 29 日推出 LingBot-World,以及
4月27日推出 World-Fast,接著在4月16日推出 LingBot-Map。今天的套件透過強化深度並緊密連結基礎模型與幾何頭部,將這些線索串聯起來。這樣的發布節奏也顯示出一項戰略性賭注:具身人工智慧需要的是具有空間偏向性的預訓練,而不僅僅是更大的通用視覺模型。如何評估您自身技術堆疊的相關主張
· 在最棘手的表面上進行測試。如果您的機器人難以應對鏡面或半透明護罩,請使用您的數據重現該公司的測試情境。
· 測量延遲與熱預算。這款 0.3B 的蒸餾學生模型雖專為邊緣運算設計,但工作負載組合可能導致記憶體或發熱量激增。請搭配您的導航堆疊進行端到端效能分析。
· 檢查長尾泛化能力。保留那些與您的訓練集不同的地點和光照模式作為測試樣本。
· 規劃感測融合策略。若您使用立體視覺或 LiDAR,請評估邊界特徵是否能提升融合的穩定性。
透明的測試流程將讓買家得以判斷這些優勢能否在其實際運作中發揮作用。
展望
若邊界目標持續展現此等級的影響力,它可能會成為具身模型預訓練中的標準組成部分。 最直接的短期影響,很可能是提升在玻璃與鏡面密集環境下的室內導航與操作能力。到年底時,搭載 LingBot-Depth 商用版本的 Orbbec 整合式相機,將為市場提供一個現成的實證案例。若該產品能達到性能與價格目標,預計各研究實驗室與廠商將紛紛推出仿效的邊界目標。
目前,開源版本的發布降低了
這消除了嘗試此方法的障礙。它為新創公司和研究實驗室提供了一條具體途徑,讓他們無需投入數十億次樣本的訓練,即可實現更強大的深度轉移。對於一個需要更多實際成果、而不僅僅是更大模型的生態系統而言,這無疑是個好消息。來源
· QbitAI
· GitHub:robbyant/lingbot-vision
· Hugging Face:robbyant/lingbot-vision












