具身智能领域一直面临一个核心挑战：如何让机器人像人类一样精准感知物理空间？过去的视觉模型大多专注于“识别物体”——画面里有什么？然而，当机器人真正执行任务时，最关键的信息其实是物体的边界、轮廓与深度。最近，蚂蚁集团旗下的具身智能企业Robbyant正式开源了LingBot-Vision模型家族，彻底改变了这一优先级的排序。

LingBot-Vision采用了一条截然不同的技术路径：将“边界”作为预训练信号。借助掩码边界建模技术，模型能够自动识别图像中信息最丰富的边缘区域，并将这些边界作为训练的核心焦点。这样一来，模型不仅掌握了语义理解，还同步涌现出强大的几何空间感知能力——既明白画面中“是什么”，又能精确判断“在哪里”以及“有多大”。

在性能表现上，更值得关注的是：旗舰模型ViT-g/16仅有11亿参数，却在NYU-Depth v2等深度估计任务中取得了最优结果——直接超越了拥有70亿参数的DINOv3，而训练所消耗的语料库规模仅为后者的三分之一。对于算力受限的部署环境，团队还提供了从3亿参数到更小尺寸的蒸馏版本，确保在不同硬件规格下都能保持领先的密集预测性能。

为直观展示技术的落地价值，研发团队同步升级了深度补全系统LingBot-Depth2.0。实测数据显示，在处理透明物体这类传统视觉感知的“盲区”时，准确率提升显著。更关键的是，随着数据量的增加，LingBot-Vision的性能曲线持续优化，并未出现传统模型常见的饱和现象——这进一步证明，以边界为核心的空间感知架构在复杂现实场景中拥有巨大潜力。

目前，LingBot-Vision已在Hugging Face平台上以Apache-2.0协议完全开源，包含从giant到small四个尺寸的权重及推理代码。开发人员可以借助更低的算力成本，为机器人赋予更加敏锐的物理感知能力，推动具身智能迈向更精确的交互未来。