1B参数小模型，却在机器人“空间感知”上碾压7B巨兽！LingBot-Vision用“边界结构”重塑视觉预训练，让机器真正看懂物理世界的形状与深度，而不是只认物体名字。

LingBot-Vision是由Robbyant（蚂蚁集团旗下具身AI公司）推出的开源视觉基础模型，它的核心创新在于聚焦dense spatial perception（密集空间感知），特别强调边界（boundaries）和形状不连续性，而非传统模型追求的语义内容不变性。1B参数的ViT-g/16模型在深度估计等关键任务上超越了更大规模的DINOv3（7B）等基线，为机器人和具身AI提供了更高效、实用的视觉架构。

当前大多数视觉基础模型都在“看懂内容”上卷得厉害——认猫认狗、描述场景样样精通，但到了机器人手上，却常常在“哪里是边缘、深度差多少”这些最基础的几何问题上栽跟头。这正是具身智能落地的最大瓶颈之一：语义理解再强，没有精准的空间几何感知，机器人就没法可靠抓取、避障和导航，尤其面对玻璃、镜面、金属等反光表面时，传统深度传感器经常失灵。

LingBot-Vision的突破在于训练范式的切换。它以边界结构作为核心预训练目标，通过让模型聚焦边界和形状线索，直接构建对几何属性的敏感度。这种“边界中心”方法让1B参数模型在NYU-Depth v2等基准上实现了比更大模型更低的RMSE，同时边界定位达到sub-pixel级别，还能稳定追踪视频中的物体边缘。训练数据仅160M图像，远小于同类巨模型，却在效率和专项性能上实现反超，这充分证明了针对性预训练优于盲目规模扩张的道理。