蚂蚁集团 Robbyant 开源 LingBot-Vision：1B 参数边界中心视觉模型，密集空间感知性能超 7B 模型

一句话看懂

蚂蚁集团旗下 Robbyant 开源了 LingBot-Vision，一种以边界为中心的视觉基础模型，1B 参数在密集空间感知任务上超越 7B 模型，并驱动深度补全模型 LingBot-Depth 2.0。

详细发生了什么

蚂蚁集团旗下的具身智能公司 Robbyant 开源了 LingBot-Vision，这是一个自监督 Vision Transformer 系列，专为密集空间感知设计。模型权重以 Apache-2.0 协议发布在 Hugging Face 上，提供四种尺寸：ViT-giant（1.1B）、ViT-large（300M）、ViT-base（86M）和 ViT-small，同时附带技术报告和推理代码。

大多数视觉基础模型训练目标是语义不变性：它们学习回答图像中“有什么”，却丢弃了精细的空间结构——物体边界、轮廓、深度不连续性——而这些正是机器人等具身系统所依赖的。LingBot-Vision 反转了这一优先级：它将边界作为原生预训练信号，而非下游输出。其 1B 参数骨干网络在密集空间任务上匹配甚至超越大 7 倍的模型（包括 7B 的 DINOv3）。

核心技术是掩码边界建模（Masked Boundary Modeling），基于 DINO/iBOT 自蒸馏范式。教师网络在线预测密集边界场，识别出边界令牌，强制它们进入学生的掩码集。边界令牌除了语义自蒸馏目标，还接收显式几何目标，而内部掩码令牌仅保留标准语义目标。边界场被离散化为 32 个 bin 的分类任务，并利用 NFA 检验验证解码的线段。

在基准测试中，LingBot-Vision ViT-g 在 NYU-Depth v2 上取得最佳 RMSE（0.296），超越 7B DINOv3（0.309）；在 KITTI 上也是 2B 参数以下最佳模型。语义分割方面，与 DINOv3 ViT-H+ 相当，在 ADE20K 上落后 1.3 mIoU，在 Cityscapes 上持平，在 VOC12 上领先。视频目标分割在 DAVIS-2017 上达到 70.0 J&F，与 DINOv3 系列接近。

中文圈视角

LingBot-Vision 对中文用户有直接价值：

完全开源且可商用：Apache-2.0 协议，无使用限制。国内开发者可直接从 Hugging Face 下载权重，无需额外审批。对于机器人、自动驾驶、工业检测等场景，这是一个高性价比的视觉基础模型。
国产替代与对比：相比 Meta 的 DINOv3（7B 参数），LingBot-Vision 以 1B 参数在深度估计上更优，且训练数据量小一个数量级。国内类似模型如上海 AI 实验室的 InternViT（6B）在语义任务上更强，但 LingBot-Vision 在空间感知上更专注。对于需要高精度深度和边界信息的场景（如机械臂抓取、无人机避障），LingBot-Vision 可能是更好的选择。
中文场景适配：模型在 1.61 亿张网络图像上训练，包含大量中文场景数据（蚂蚁集团业务覆盖全球）。国内用户可直接用于中文街景理解、室内导航等任务。不过，模型依赖 PyTorch ≥ 3.10，建议使用 GPU 推理。
监管合规：模型权重托管在 Hugging Face，国内访问需梯子。建议国内用户通过 ModelScope 或阿里云镜像下载。数据层面，训练数据来自公开网络，不涉及用户隐私，合规风险较低。

几条值得记住的细节

旗舰模型 ViT-g/16 约 1.1B 参数，训练于 1.61 亿张图像，无人工标注、无外部边缘检测器。
掩码边界建模将边界令牌强制加入掩码集，并赋予几何目标，与语义目标协同训练。
在 NYU-Depth v2 上 RMSE 0.296，超越 7B DINOv3（0.309），参数少 7 倍。
蒸馏版 ViT-L（300M）在 NYUv2 深度上 RMSE 0.310，接近 7B DINOv3（0.309）。
模型权重已开源至 Hugging Face，提供四种尺寸，支持 frozen features 直接用于下游任务。

一句话总结

LingBot-Vision 让中文开发者用 1B 参数获得超越 7B 模型的密集空间感知能力，开源可商用，是机器人、自动驾驶等场景的优质视觉基础模型。