当机器人视觉从“看”到“懂”：蚂蚁灵波如何用1/10数据挑战DINOv3的统治地位

2026年6月8日，工信部与国资委联合发布文件，要求机器人于今年底从“表演模式”全面转向“作业模式”。直白而言，实验室中翻跟头、端咖啡并非真本领；唯有在真实的产线、家庭环境、物流仓库中稳定运行，才称得上硬实力。现实情况如何？斯坦福大学《AI Index 2026》报告提供了一组令人清醒的数据：机器人在RLBench这类实验室任务上的成功率已接近90%，然而当场景切换至包含1000项真实家庭活动的BEHAVIOR-1K基准时，当前最先进的模型成功率骤降至12.4%。

“表演模式”考验的是动作执行能力，“作业模式”考验的则是真正的智能化水平。智能系统进入真实世界的第一步，便是可靠的空间感知能力。而这正是当前机器人视觉模型最明显的短板。即便是参数量高达7B的DINOv3也未能避免这一问题——长时间训练后其感知能力出现下滑，不得不依赖Gram Anchoring进行“补课”。归根结底，这些模型的设计初衷大多是“识别图片内容”（语义理解），但机器人真正需要的是“理解距离、边界与空间关系”。这好比让一位画家去担任建筑测绘员：基础技能相通，但实际任务截然不同。

就在今天，蚂蚁灵波从另一条技术路径给出了自己的解决方案：正式发布新一代空间感知模型LingBot-Depth 2.0，并同步开源面向具身智能的视觉基础模型LingBot-Vision。

• 技术报告：Vision Pretraining for Dense Spatial Perception
• 报告地址：https://arxiv.org/abs/2607.05247
• 项目页面：https://technology.robbyant.com/lingbot-vision
• 代码库：https://github.com/robbyant/lingbot-vision
• Hugging Face：https://huggingface.co/collections/robbyant/lingbot-vision
• ModelScope：https://www.modelscope.cn/collections/Robbyant/LingBot-Vision

LingBot-Vision：一个“空间原生”的视觉基础模型

过去几年，主流视觉基础模型在决定“遮盖哪些区域、预测哪些区域”时，普遍采用随机遮盖策略。这一思路很简单：遮住部分像素，让模型去猜测，猜对了即代表学会了。但蚂蚁灵波的核心洞察相当直接——这个决定不应是随机的。

图像中其实存在最难猜测、信息量最大的区域：物体的边界。因为边界两侧语义不同、结构断裂，无法简单通过周围像素进行预测。这就像拼图中颜色对比最强烈的交界线，猜对它的难度远高于猜对一块纯色区域。

基于这一观察，蚂蚁灵波提出了“以边界为中心的掩码建模（Boundary-centric Masked Modeling）”：让模型在训练过程中实时预测图像中的边界位置，然后强制将这些边界patch纳入被遮盖的集合，迫使模型只能依靠上下文来重建物体的几何结构。

这里存在一个有趣的“自举”难题：一个从零开始训练的模型，一开始根本不知道边界在哪，又如何决定遮住哪里？

蚂蚁灵波的解法是：只要给定一组稀疏的角点，即使边界场的具体数值完全随机生成，解码出的线段依然连贯合理。换言之，边界结构可以先依靠“大致猜测”的角点支撑起来，随后随着训练逐步完善细节。同时，为避免直接回归连续几何数值导致训练坍塌，他们将边界预测转化为分类问题，并引入统计学上的a-contrario检验，自动过滤不显著的伪边界，确保模型自身生成的训练目标足够干净。

仅用1/10数据、不到1/3训练量

基于这套方法，蚂蚁灵波训练出了LingBot-Vision——一个约1.1B参数的ViT-g/16模型。其训练效率尤为突出：整个语料库约为1.61亿张图片，从20亿张原始图片中筛选而来，规模比DINOv3使用的16.89亿张图片小了一个数量级；训练迭代量也不到DINOv3的三分之一。

不过，LingBot-Vision与DINOv3并非两条互相取代的技术路线。DINOv3本身是一项优秀的工作，LingBot-Vision的视觉预训练同样建立在DINO系列开创的自蒸馏范式之上。两者真正的分野在于掩码建模这一步：DINOv3完全随机，不引入任何与图像几何结构相关的约束；LingBot-Vision则引入了“边界强制”机制，迫使模型必须同时学习语义和边界几何两类目标。

以1.1B参数量比肩7B的DINOv3

蚂蚁灵波将DINOv3作为“强基线”进行了系统对比，结果十分亮眼：

深度估计表现最优：在NYUv2上，RMSE为0.296，优于此参数量为7倍的DINOv3（0.309）；在KITTI上，LingBot-Vision也是2B参数规模以下的最强模型。

分割与视频任务同样卓越：在三个分割基准上，LingBot-Vision与DINOv3蒸馏出的DINOv3 ViT-H+（0.8B）基本持平，同时以超过4个百分点的优势领先于DINOv2；在视频目标分割任务上，无需任何微调或时序训练，表现同样接近顶级蒸馏模型。

分类任务是相对短板：在ImageNet图像分类上，LingBot-Vision确实落后于DINOv3和DINOv2。技术报告解释说，这是训练目标带来的权衡——模型将更多“注意力”投入到了局部几何结构，而非语义理解。这与其“空间原生”的设计初衷完全一致：机器人任务中，“这个物体距离多远、边界在哪”比“这张图属于哪个类别”更为关键。

蚂蚁灵波还将LingBot-Vision旗舰模型蒸馏为ViT-G、ViT-L、ViT-B、ViT-S多个版本。其中一个数据尤其值得关注：蒸馏后仅0.3B参数的ViT-L学生模型，在NYUv2深度估计上已追平7B的DINOv3，参数量相差约23倍！

归根结底，DINOv3和LingBot-Vision面临的是同一条自蒸馏范式共有的老问题：如何在长期训练中不丢失几何结构？只是前者选择在训练后期借助Gram Anchoring回头校准，后者则选择在训练目标设计的起始阶段就将其确定。二者殊途同归，但都指向同一个行业信号：空间结构正成为视觉基础模型评价体系中越来越重要的一环。

一个模型覆盖全部核心视觉任务

除了在具体指标上与DINOv3一较高下，LingBot-Vision还有一个容易被数字掩盖的优势：一个模型即可覆盖分类、检测、分割、实例理解、深度估计、边界感知、空间结构理解等几乎全部核心视觉任务。DINO系列能做的事情它都能做，同时还增强了深度估计等可用于具身相关任务的能力。

对于机器人系统而言，这意味着不再需要为每个视觉子任务单独堆叠模型并分别维护：分类、检测、分割、深度可以共享同一套视觉表征。这对于本就需要在有限算力下集成多种感知能力的机器人平台，能够实实在在地节省工程成本。

LingBot-Depth 2.0：赋予机器人更可靠的深度感知

LingBot-Vision为空间理解打下了坚实基础，而LingBot-Depth 2.0则是这个地基上的第一栋建筑。今年1月，蚂蚁灵波开源了LingBot-Depth 1.0，重点攻克反光、透明物体的识别难题。其思路巧妙：商用深度相机在反光、透明、无纹理表面上无法测到深度，这些“盲区”通常被视为噪声丢弃，但蚂蚁灵波反其道而行之，将它们当作天然的掩码信号，因为这些区域正是最需要模型“依靠上下文推理”来补全几何结构的地方。

LingBot-Depth 2.0保持了“掩码深度建模”这套训练配方本身不变，仅调整了两个外部条件：

第一，将编码器从DINOv2替换为LingBot-Vision。结果显示，LingBot-Vision在几乎所有基准上都优于DINOv2和DINOv3初始化，并且在最困难的场景（大面积深度缺失的“block-mask”模式）上优势最为明显——例如在DIODE-Indoor数据集上，ViT-L规模下RMSE从DINOv2初始化的0.152降至0.094，ViT-g规模下从0.118降至0.083。

第二，训练数据规模从300万扩大至1.5亿。数据越多效果越好，这并不意外，但有趣的是：两种编码器初始化的效果都随数据增长而提升，但提升幅度却不相同。DINOv2初始化在数据量超过2000万后基本触顶，而LingBot-Vision初始化则持续攀升。这意味着，好的起点不会被更多数据冲淡优势，反而会被进一步放大。这对后续希望“通过增加数据提升效果”的研究团队，是一个值得参考的信号。

实测数据：在覆盖大面积缺失和稀疏采样两种输入模式的8个公开基准上，LingBot-Depth 2.0（ViT-L版）在6个基准上取得了最优RMSE。在真实商用相机的实拍数据上，2.0版本在8种配置的6种中拿到最优，在透明物体数据集ClearGrasp上表现尤为突出——透明和反光物体历来是主动式深度传感的经典难题。

据了解，LingBot-Depth 2.0的卓越能力也已获得奥比中光深度视觉实验室的专业认证。

从实验室到产线：空间原生正在成为基础设施

具身智能正从实验室验证走向真实场景应用。过去行业更关注机器人能否听懂指令、完成演示动作；如今，随着机器人进入工业、商业服务、物流、家庭乃至空间计算等真实环境，能否稳定感知复杂环境，正成为决定能否真正落地的关键。

蚂蚁灵波选择将LingBot-Vision核心能力开源，对行业的意义不言而喻：机器人企业和研究机构可以直接使用，无需从头训练一个空间原生的视觉底座。如果这类能力能像今天的通用视觉基础模型一样成为行业共用的基础设施，将显著降低下游企业验证机器人感知、移动和操作能力的门槛。

事实上，LingBot-Depth 2.0的商业化已经启动：奥比中光已将LingBot-Depth 2.0集成至其新一代EGO-RGBD数采设备，并已发布相关SDK。据蚂蚁灵波介绍，双方还计划于今年年底推出集成LingBot-Depth商业版的一体化相机产品。

具身智能行业从“表演模式”向“作业模式”的跨越已经开始：LingBot-Vision以远小于DINOv3的数据量和训练量达到了SOTA水平，证明了“空间原生”不只是一句口号；而LingBot-Depth 2.0则证明了这套视觉底座的能力可以真实迁移，并能随着下游数据增长而持续放大优势——而它只是这条迁移路径上被验证的第一个例子。

机器人视觉的竞争，正从“能识别多少类别”转向“能否扛住一次真实的抓取操作”。而空间原生正是这场竞争中最基础的那块地基。至于地基之上能构建出怎样的具身智能，还需交由下一步的验证来揭晓。