12項世界第一！國產基模一戰封神，11億參數逆襲70億大魔王

新智元報道

【新智元導讀】螞蟻靈波的 LingBot-Depth 2.0，一出手就是王炸——12項世界第一！深扒內幕發現：他們竟然直接拋棄了 DINOv3，從頭自研預訓練基座，僅用11億參數暴力干翻70億大魔王，且宣布重磅開源。

就在今天，螞蟻靈波交出了一份讓整個具身智能行業側目的成績單。

玻璃、鏡子、透明物體，這些困擾行業許久的重大難題，被他們解決了！

LingBot-Depth 2.0 空間感知模型，在行業公開數據集與私有高精度測試集的大考中，一口氣拿下了12個世界第一！

如果你的機器人曾在實驗室里無所不能，卻在現實世界中把透明玻璃當空氣、被細小電線絆倒，甚至因為反光原地打轉……LingBot-Depth 2.0 的出現，將徹底重寫這個尷尬的局面。

消息一出，就在X上刷屏。

業內人士直言：看到AI終于能解決現實世界的感知挑戰，這一飛躍意義重大，實在太令人興奮了！

困擾全行業的玻璃難題，

終于解決了

首先，傳統深度估計最容易在物體邊緣「翻車」：把杯子和背景粘連在一起，機械臂抓取非碰即摔。

這次，LingBot-Depth 2.0 把物體輪廓邊緣做到了極致清晰，輪廓完整度大幅攀升，機械臂路徑規劃有了毫米級的準確輸入。

以下是同一組香檳杯子，新舊兩版深度效果的對比。

細小物體，是機器人的另一個「殺手」——掉在地上的細線、工業環境里的細小線纜和金屬連桿，稍不注意就會被漏檢或碾碎。

這一次，Depth 2.0 極大增強了對小尺寸目標、纖細結構的深度捕捉，誤碰和漏檢率斷崖式下跌。

另外，移動機器人一旦開快，遠處障礙物識別不準就來不及規劃避障路徑。Depth 2.0 深度過濾了長距離的高頻噪聲，讓遠處目標的深度結果變得極其扎實可靠。

而面對商場反光的大理石地面、辦公室的玻璃幕墻、光線昏暗的倉庫盲區，傳統模型輸出的深度圖往往千瘡百孔。

Depth 2.0 具備超強的物理結構保持能力，哪怕在反光、透明、極暗、極度雜亂的遮擋環境下，依然能繪制出平滑且完整的深度地形圖。

正是憑借這種炸裂的效果，LingBot-Depth 2.0 在面對行業深度補全的多個公開數據集以及私有測試集大考中，瘋狂斬獲了12個世界第一！

商業應用已落地

不僅技術指標拉滿，它的商業化落地同樣迅猛。

螞蟻靈波宣布，與全球領先的 3D 視覺硬科技巨頭——奧比中光達成深度合作，走通了一條從模型能力到商業落地的完整閉環。

合作的第一步，是通過嚴苛的工業級實力認證。

LingBot-Depth 2.0 直接入駐了奧比中光專業的「深度視覺實驗室」，接受了多項大考。

認證結果顯示，它在精度表現和極端材質對抗中的性能十分亮眼，對細小物體的捕捉和長距離的收斂速度，征服了對硬件指標近乎苛刻的相機工程師。

緊接著，是一系列軟硬一體化的落地成果。

1.推出全新 EGO-RGBD 數采設備，讓前線采集的每一幀 3D 數據自帶高質量深度標注。

2.SDK 全面深度集成，下游機器人廠商使用奧比中光硬件可一鍵開啟空間感知能力。

3.一體化相機即將上線，無需復雜算法調校，插上就能輸出純凈的 3D 視覺流。

扒一扒幕后黑科技：為什么 Depth 2.0 這么強？

看到這里，業內一定會好奇：為什么 LingBot-Depth 2.0 能取得如此跨越式的突破？

當我們深扒其底層架構時，發現了一個令人震撼的事實——

為了做好這個感知模型，螞蟻靈波竟然沒有沿用現有的通用大模型，而是自己從頭做了一個預訓練基座！

Depth 2.0 并不是一個孤立的模型，它只是下游的能力驗證。真正的技術核心，是它背后那個從零開始訓練的預訓練視覺基模——LingBot-Vision。

這是全球首個面向具身智能的「空間原生」視覺基礎模型，而且這次，螞蟻靈波把它開源了。

模型權重：

https://huggingface.co/collections/robbyant/lingbot-vision

https://www.modelscope.cn/collections/Robbyant/LingBot-Vision

代碼：https://github.com/robbyant/lingbot-vision

技術報告：https://arxiv.org/abs/2607.05247

項目主頁：https://technology.robbyant.com/lingbot-vision

為什么說 LingBot-Vision 是「最大創新」？

長期以來，具身智能領域有一個隱秘的痛點：傳統的通用視覺大模型（從CNN到ViT，再到DINO等），本質上都是從海量互聯網圖片中學習的「網絡旁觀者」。

它們能理解「這是一只貓」，卻無法感知這只貓的精確三維邊界和空間結構。因此，在實驗室能辨萬物的機器人，現實里會把透明玻璃門當空氣直接撞上去，會把纖細的電線直接碾碎。

傳統 CV 的空間致盲，正在成為具身智能從實驗室走向萬億產業落地的核心瓶頸。

為了徹底解決這個問題，螞蟻靈波直接重構了機器人的視覺底座，首創了「空間原生」視覺基礎模型——LingBot-Vision，直接替代了行業常用的 DINOv3！

這一范式巨變，讓模型的訓練不再是單純的「理解圖像內容」，而是直接面向真實物理世界中的「第一人稱感知」和「空間交互需求」。

它不是在傳統 CV 模型的長板上卷語義參數,而是把「幾何空間理解」前置為視覺底座的核心基因：不僅能判斷眼前是什么物體，還能一眼看清它的邊緣在哪里、距離自己有幾米、空間結構是否連續平滑。

這種訓練哲學，讓模型自誕生起就自帶「空間幾何視差」。

現在，它已經能夠成功感知一只貓的精確三維邊界和空間結構。

11億小鋼炮，如何逆襲70億參數大魔王？

在CV開源界，Meta 的 DINOv3（7B參數量）毫無疑問是極具統治力的「大魔王」。

但 LingBot-Vision 偏偏不信邪，打破了算力與參數的暴力美學。

在權威評測基準 NYUv2 深度估計上，僅有約11億參數的 LingBot-Vision，以約七分之一的參數量、不足 DINOv3 三分之一的訓練樣本量，不僅取得了最好精度，更在多個關鍵指標上實現了對 7B DINOv3 的全面超越！

這種的奇跡，源于其最核心的技術創新：基于幾何的預訓練機制與「邊界強迫」自監督學習范式。

DINOv3 這類模型在掩碼建模過程中，采用的是純粹的隨機掩碼機制。這種方式有一個致命缺陷——神經網絡在遮掩圖像塊時，對代表物體輪廓和空間變化的「高信息量邊緣特征」視而不見。

結果就是，模型對物體內部填充敏感，但對物體與物體的物理邊界、深度突變點缺乏敏感度。

有別于 DINOv3 純粹的隨機掩碼機制，LingBot-Vision 故意引入了邊界圖像強迫機制。

它會通過特殊算法，尋找并破壞那些具有豐富形狀變化和邊界紋理的「高信息量塊」，強迫神經網絡同時學習語言目標與邊界幾何目標。

這種如同「極限地獄題」的訓練機制，帶來了兩大感知紅利。

一是語義輪廓精細到了像素級。模型的邊界特征極其穩定，在視頻中能實現連續且極度絲滑的物體邊界追蹤。

二是深度圖結構實現了前所未有的連續。由于深刻理解幾何鄰接，同一物理物體內部的深度估計會高度平滑、連續，極大減少了噪點帶來的破碎、空洞和突變缺失。

更令人驚喜的是，為了解決端側算力緊張問題，螞蟻靈波還推出了 ViT-L/B/S 蒸餾系列模型。其中僅僅 3億參數 的 ViT-L 模型，在深度估計上竟然達到了與 70億參數 DINOv3 相當的恐怖精度！

這意味著開發者不需要昂貴顯卡，在端側邊緣算力平臺上就能跑起一個媲美云端頂尖大模型的空間智能大腦。

誠意開源：底層基座開放，賦能千行百業

理順了這套邏輯，我們就能看懂螞蟻靈波此次的戰略布局：「底座+驗證」的黃金搭檔。

LingBot-Depth 2.0 作為教科書級的下游能力驗證，已經用炸裂的效果和奧比中光的商業認證，證明了這條技術路線的巨大成功。（Depth 2.0 模型本次暫不開源，將作為核心商業能力服務產業。）

但是，作為一切能力源泉的預訓練基模——LingBot-Vision，螞蟻靈波宣布將其全面開源！

這意味著，這套能夠完美替代 DINOv3、擁有極強泛化和下游任務遷移能力的「空間原生」視覺底座，將正式成為全行業的公共基礎設施。

從工廠巡檢、電商倉儲到人形機器人，整個具身智能生態的商業閉環將因此大幅加速。

螞蟻靈波把核心視覺底座徹底開源，對產業而言無異于一場普惠的降雨——空間原生視覺能力，正在成為全行業的公共基礎設施。

而 Depth 2.0 與奧比中光的軟硬一體化落地，則打通了空間感知走向物理世界的最后一公里。

回顧計算機和互聯網的發展史，每一個偉大的時代，都需要一個慷慨的底座。

正如當年 Linux 的開源解放了互聯網服務器的生產力，Android 的開放引爆了移動互聯網的萬億繁榮，今天的具身智能，正站在這樣一個破曉前夜。

螞蟻靈波將 LingBot-Vision 這個空間原生底座毫無保留地開源給全行業，向所有開發者、廠商和機構敞開大門。

在這個底座的賦能下，成千上萬的機器人將很快獲得洞悉三維世界的雙眼，走進我們的生活。

具身智能的 Linux 時刻，正在到來。