新智元报道
【导读】蚂蚁灵波发布 LingBot-Depth 2.0，在行业公开数据集与私有高精度测试集中斩获 12 项世界第一。该模型摒弃 DINOv3，从头自研“空间原生”预训练基座 LingBot-Vision，仅以 11 亿参数超越 70 亿参数竞品，并宣布核心基座重磅开源。
蚂蚁灵波今日发布的具身智能成果引发行业关注。针对玻璃、镜子、透明物体等长期困扰机器人的感知难题，LingBot-Depth 2.0 空间感知模型提供了突破性解决方案。
在多项行业公开数据集及私有高精度测试集的严苛评测中，LingBot-Depth 2.0 一举夺得 12 个世界第一。
这一突破意味着机器人将彻底告别在现实世界中误判透明玻璃、被细小电线绊倒或因反光迷失方向的尴尬局面。消息发布后，迅速在海外社交平台 X 上引发热议。
业内人士高度评价，认为 AI 终于攻克了现实世界的复杂感知挑战，具有里程碑意义。
攻克行业痛点：透明与微小物体感知难题
传统深度估计模型常在物体边缘出现误差，导致杯子与背景粘连，机械臂抓取易失误。LingBot-Depth 2.0 显著提升了轮廓边缘的清晰度与完整度，为机械臂路径规划提供了毫米级精度的输入。
此外，针对地面上的细线、工业环境中的纤细线缆等微小目标，旧模型极易漏检。Depth 2.0 极大增强了对小尺寸目标和纤细结构的深度捕捉能力，大幅降低了误碰和漏检率。
在移动机器人高速运行场景下，Depth 2.0 有效过滤了长距离高频噪声，确保远处障碍物识别的准确性。面对反光地面、玻璃幕墙及昏暗环境，该模型仍能输出平滑、完整的深度地形图，展现出卓越的物理结构保持能力。
商业落地加速：携手奥比中光打造闭环
技术指标领先的同时，商业化进程同样迅猛。蚂蚁灵波与 3D 视觉巨头奥比中光达成深度合作，构建了从模型能力到商业落地的完整闭环。
LingBot-Depth 2.0 已通过奥比中光“深度视觉实验室”的严苛认证，其在精度表现、极端材质对抗、细小物体捕捉及长距离收敛速度等方面的性能，获得了硬件工程师的高度认可。
双方合作推出了一系列软硬一体化成果：
- 推出全新 EGO-RGBD 数据采集设备，确保每一帧 3D 数据自带高质量深度标注。
- SDK 全面深度集成，下游机器人厂商使用奥比中光硬件可一键开启空间感知能力。
- 即将上线一体化相机，无需复杂算法调校，即插即用输出纯净 3D 视觉流。
技术揭秘：自研“空间原生”基座替代 DINOv3
LingBot-Depth 2.0 的跨越式突破源于其底层架构的创新。蚂蚁灵波未沿用现有的通用大模型，而是从零构建了面向具身智能的“空间原生”视觉基础模型——LingBot-Vision，并正式宣布开源。
资源链接：
- 模型权重：Hugging Face、ModelScope
- 代码：GitHub
- 技术报告：ArXiv
- 项目主页：Official Site
传统通用视觉大模型（如 CNN、ViT、DINO 系列）多为“网络旁观者”，擅长语义理解却缺乏精确的三维空间感知能力，导致机器人在现实中频繁“撞玻璃”或“碾电线”。LingBot-Vision 重构了视觉底座，将“几何空间理解”前置为核心基因，直接面向真实物理世界的第一人称感知需求。
11 亿参数逆袭 70 亿大模型
在权威评测基准 NYUv2 深度估计任务中，参数量仅约 11 亿的 LingBot-Vision，以不足 DINOv3（70 亿参数）三分之一的训练样本量，实现了精度与关键指标的全面超越。
这一奇迹源于其创新的“边界强迫”自监督学习范式。不同于 DINOv3 的随机掩码机制，LingBot-Vision 通过特殊算法主动寻找并破坏高信息量的边界纹理块，强迫神经网络同时学习语义目标与边界几何目标。
该机制带来了两大核心优势：一是实现像素级的语义轮廓精细度，支持视频中连续丝滑的边界追踪；二是深度图结构前所未有的连续性，极大减少了噪点导致的破碎与空洞。
为解决端侧算力瓶颈，团队还推出了蒸馏系列模型。其中仅 3 亿参数的 ViT-L 模型，在深度估计精度上已媲美 70 亿参数的 DINOv3，让开发者能在边缘设备上部署顶尖的空间智能大脑。
生态赋能：核心基座全面开源
蚂蚁灵波此次采取“底座 + 验证”的战略布局。LingBot-Depth 2.0 作为下游能力验证，将作为核心商业能力服务产业；而其背后的预训练基座 LingBot-Vision 则全面开源，成为全行业的公共基础设施。
这一举措有望大幅加速从工厂巡检、电商仓储到人形机器人的具身智能商业闭环。正如 Linux 和 Android 曾分别推动互联网与移动互联网的繁荣，LingBot-Vision 的开源标志着具身智能领域的"Linux 时刻”正在到来，成千上万的机器人将获得洞悉三维世界的能力。