12项世界第一！国产基模一战封神，11亿参数逆袭70亿大魔王

新智元报道

【新智元导读】蚂蚁灵波的 LingBot-Depth 2.0，一出手就是王炸——12项世界第一！深扒内幕发现：他们竟然直接抛弃了 DINOv3，从头自研预训练基座，仅用11亿参数暴力干翻70亿大魔王，且宣布重磅开源。

就在今天，蚂蚁灵波交出了一份让整个具身智能行业侧目的成绩单。

玻璃、镜子、透明物体，这些困扰行业许久的重大难题，被他们解决了！

LingBot-Depth 2.0 空间感知模型，在行业公开数据集与私有高精度测试集的大考中，一口气拿下了12个世界第一！

如果你的机器人曾在实验室里无所不能，却在现实世界中把透明玻璃当空气、被细小电线绊倒，甚至因为反光原地打转……LingBot-Depth 2.0 的出现，将彻底重写这个尴尬的局面。

消息一出，就在X上刷屏。

业内人士直言：看到AI终于能解决现实世界的感知挑战，这一飞跃意义重大，实在太令人兴奋了！

困扰全行业的玻璃难题，

终于解决了

首先，传统深度估计最容易在物体边缘「翻车」：把杯子和背景粘连在一起，机械臂抓取非碰即摔。

这次，LingBot-Depth 2.0 把物体轮廓边缘做到了极致清晰，轮廓完整度大幅攀升，机械臂路径规划有了毫米级的准确输入。

以下是同一组香槟杯子，新旧两版深度效果的对比。

细小物体，是机器人的另一个「杀手」——掉在地上的细线、工业环境里的细小线缆和金属连杆，稍不注意就会被漏检或碾碎。

这一次，Depth 2.0 极大增强了对小尺寸目标、纤细结构的深度捕捉，误碰和漏检率断崖式下跌。

另外，移动机器人一旦开快，远处障碍物识别不准就来不及规划避障路径。Depth 2.0 深度过滤了长距离的高频噪声，让远处目标的深度结果变得极其扎实可靠。

而面对商场反光的大理石地面、办公室的玻璃幕墙、光线昏暗的仓库盲区，传统模型输出的深度图往往千疮百孔。

Depth 2.0 具备超强的物理结构保持能力，哪怕在反光、透明、极暗、极度杂乱的遮挡环境下，依然能绘制出平滑且完整的深度地形图。

正是凭借这种炸裂的效果，LingBot-Depth 2.0 在面对行业深度补全的多个公开数据集以及私有测试集大考中，疯狂斩获了12个世界第一！

商业应用已落地

不仅技术指标拉满，它的商业化落地同样迅猛。

蚂蚁灵波宣布，与全球领先的 3D 视觉硬科技巨头——奥比中光达成深度合作，走通了一条从模型能力到商业落地的完整闭环。

合作的第一步，是通过严苛的工业级实力认证。

LingBot-Depth 2.0 直接入驻了奥比中光专业的「深度视觉实验室」，接受了多项大考。

认证结果显示，它在精度表现和极端材质对抗中的性能十分亮眼，对细小物体的捕捉和长距离的收敛速度，征服了对硬件指标近乎苛刻的相机工程师。

紧接着，是一系列软硬一体化的落地成果。

1.推出全新 EGO-RGBD 数采设备，让前线采集的每一帧 3D 数据自带高质量深度标注。

2.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。

3.一体化相机即将上线，无需复杂算法调校，插上就能输出纯净的 3D 视觉流。

扒一扒幕后黑科技：为什么 Depth 2.0 这么强？

看到这里，业内一定会好奇：为什么 LingBot-Depth 2.0 能取得如此跨越式的突破？

当我们深扒其底层架构时，发现了一个令人震撼的事实——

为了做好这个感知模型，蚂蚁灵波竟然没有沿用现有的通用大模型，而是自己从头做了一个预训练基座！

Depth 2.0 并不是一个孤立的模型，它只是下游的能力验证。真正的技术核心，是它背后那个从零开始训练的预训练视觉基模——LingBot-Vision。

这是全球首个面向具身智能的「空间原生」视觉基础模型，而且这次，蚂蚁灵波把它开源了。

模型权重：

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

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

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

技术报告：https://arxiv.org/abs/2607.05247

项目主页：https://technology.robbyant.com/lingbot-vision

为什么说 LingBot-Vision 是「最大创新」？

长期以来，具身智能领域有一个隐秘的痛点：传统的通用视觉大模型（从CNN到ViT，再到DINO等），本质上都是从海量互联网图片中学习的「网络旁观者」。

它们能理解「这是一只猫」，却无法感知这只猫的精确三维边界和空间结构。因此，在实验室能辨万物的机器人，现实里会把透明玻璃门当空气直接撞上去，会把纤细的电线直接碾碎。

传统 CV 的空间致盲，正在成为具身智能从实验室走向万亿产业落地的核心瓶颈。

为了彻底解决这个问题，蚂蚁灵波直接重构了机器人的视觉底座，首创了「空间原生」视觉基础模型——LingBot-Vision，直接替代了行业常用的 DINOv3！

这一范式巨变，让模型的训练不再是单纯的「理解图像内容」，而是直接面向真实物理世界中的「第一人称感知」和「空间交互需求」。

它不是在传统 CV 模型的长板上卷语义参数,而是把「几何空间理解」前置为视觉底座的核心基因：不仅能判断眼前是什么物体，还能一眼看清它的边缘在哪里、距离自己有几米、空间结构是否连续平滑。

这种训练哲学，让模型自诞生起就自带「空间几何视差」。

现在，它已经能够成功感知一只猫的精确三维边界和空间结构。

11亿小钢炮，如何逆袭70亿参数大魔王？

在CV开源界，Meta 的 DINOv3（7B参数量）毫无疑问是极具统治力的「大魔王」。

但 LingBot-Vision 偏偏不信邪，打破了算力与参数的暴力美学。

在权威评测基准 NYUv2 深度估计上，仅有约11亿参数的 LingBot-Vision，以约七分之一的参数量、不足 DINOv3 三分之一的训练样本量，不仅取得了最好精度，更在多个关键指标上实现了对 7B DINOv3 的全面超越！

这种的奇迹，源于其最核心的技术创新：基于几何的预训练机制与「边界强迫」自监督学习范式。

DINOv3 这类模型在掩码建模过程中，采用的是纯粹的随机掩码机制。这种方式有一个致命缺陷——神经网络在遮掩图像块时，对代表物体轮廓和空间变化的「高信息量边缘特征」视而不见。

结果就是，模型对物体内部填充敏感，但对物体与物体的物理边界、深度突变点缺乏敏感度。

有别于 DINOv3 纯粹的随机掩码机制，LingBot-Vision 故意引入了边界图像强迫机制。

它会通过特殊算法，寻找并破坏那些具有丰富形状变化和边界纹理的「高信息量块」，强迫神经网络同时学习语言目标与边界几何目标。

这种如同「极限地狱题」的训练机制，带来了两大感知红利。

一是语义轮廓精细到了像素级。模型的边界特征极其稳定，在视频中能实现连续且极度丝滑的物体边界追踪。

二是深度图结构实现了前所未有的连续。由于深刻理解几何邻接，同一物理物体内部的深度估计会高度平滑、连续，极大减少了噪点带来的破碎、空洞和突变缺失。

更令人惊喜的是，为了解决端侧算力紧张问题，蚂蚁灵波还推出了 ViT-L/B/S 蒸馏系列模型。其中仅仅 3亿参数 的 ViT-L 模型，在深度估计上竟然达到了与 70亿参数 DINOv3 相当的恐怖精度！

这意味着开发者不需要昂贵显卡，在端侧边缘算力平台上就能跑起一个媲美云端顶尖大模型的空间智能大脑。

诚意开源：底层基座开放，赋能千行百业

理顺了这套逻辑，我们就能看懂蚂蚁灵波此次的战略布局：「底座+验证」的黄金搭档。

LingBot-Depth 2.0 作为教科书级的下游能力验证，已经用炸裂的效果和奥比中光的商业认证，证明了这条技术路线的巨大成功。（Depth 2.0 模型本次暂不开源，将作为核心商业能力服务产业。）

但是，作为一切能力源泉的预训练基模——LingBot-Vision，蚂蚁灵波宣布将其全面开源！

这意味着，这套能够完美替代 DINOv3、拥有极强泛化和下游任务迁移能力的「空间原生」视觉底座，将正式成为全行业的公共基础设施。

从工厂巡检、电商仓储到人形机器人，整个具身智能生态的商业闭环将因此大幅加速。

蚂蚁灵波把核心视觉底座彻底开源，对产业而言无异于一场普惠的降雨——空间原生视觉能力，正在成为全行业的公共基础设施。

而 Depth 2.0 与奥比中光的软硬一体化落地，则打通了空间感知走向物理世界的最后一公里。

回顾计算机和互联网的发展史，每一个伟大的时代，都需要一个慷慨的底座。

正如当年 Linux 的开源解放了互联网服务器的生产力，Android 的开放引爆了移动互联网的万亿繁荣，今天的具身智能，正站在这样一个破晓前夜。

蚂蚁灵波将 LingBot-Vision 这个空间原生底座毫无保留地开源给全行业，向所有开发者、厂商和机构敞开大门。

在这个底座的赋能下，成千上万的机器人将很快获得洞悉三维世界的双眼，走进我们的生活。

具身智能的 Linux 时刻，正在到来。