Meta 在其自有许可协议下将 DINOv3 置于访问门槛之后。蚂蚁集团的 Robbyant 刚刚以 Apache-2.0 协议发布了完整的视觉骨干网络家族。当感知变得自由且轻量时，会发生什么？

蚂蚁集团旗下的具身智能公司 Robbyant 发布了 LingBot-Vision，这是一系列自监督视觉骨干网络，参数量从 21M 到 1.1B。其宣称的使命是为所有机器人构建一个大脑。所有模型均以 Apache-2.0 协议发布在 HuggingFace 和 GitHub 上。此次发布包含代码、预训练权重以及一个项目页面，页面中提供了八种方法的交互式点云比较。这不是一篇只承诺稍后提供权重的论文发布。权重现已上线。该架构属于 DINO 系列，但加入了一个创新点：他们称之为掩码边界建模。教师网络在线预测一个密集的边界场，携带边界的 token 被强制纳入学生网络的掩码中。边界场被重新表述为逐像素的类别分布以保持自蒸馏的稳定性，解码后的片段需通过 a-contrario 验证测试。无需标签、无需文本监督、无需外部边缘检测器。他们在 1.61 亿张精选图像上进行训练，据他们报告，这不到 DINOv3 训练样本的三分之一。根据他们使用冻结线性探测协议自行报告的数据，旗舰模型 ViT-g（1.1B 参数）在 NYUv2 深度任务上达到 0.296 RMSE，优于 DINOv3-7B 的 0.309。蒸馏后的 ViT-L（约 0.310 RMSE）基本持平 DINOv3-7B 的分数，而参数量仅为后者的约二十三之一。但也有一些劣势：在 KITTI 深度任务上，LingBot 得分为 2.552，而 DINOv3-7B 为 2.346。在 ImageNet 线性探测上，旗舰模型落后于 DINOv3-7B，但 ViT-B 和 ViT-S 变体据称在其尺寸类别中领先。在分割任务方面，他们报告在 ADE20K、Cityscapes 和 VOC 上大致与蒸馏版 DINOv3 ViT-H+ 相当，各有胜负。下游产品是 LingBot-Depth 2.0，一个深度补全模型，能填补 RGB-D 传感器在玻璃、镜面和透明表面上的空洞。这些权重并未开源。仅开放了四个视觉骨干网络。此外，你需要使用他们的自定义推理库，而非普通的 transformers 或 timm。ViT-L 在 fp16 下约为 0.6GB。感知层（而非对话层）才是机器人实际运行的内容。它是将传感器输入转化为系统可操作信息的原始空间理解。当这一层变得足够轻量以在边缘硬件上运行，并且足够自由以无许可摩擦地修改时，其上层的架构就会发生变化。一个 21M 参数的变体据称在其尺寸类别中领先，这改变了你能嵌入廉价相机模块的内容。有趣的对比在于发布策略，而非地域。Meta 在其自有封闭许可协议下发布了 DINOv3，而非 OSI 批准协议。Robbyant 发布了四个规格，采用 Apache-2.0 协议，无门槛。如果密集空间任务持续走向开放，而生成式视频保持封闭且以 API 为门槛，我们是否会面临一个分裂的世界：物理 AI 运行在开放感知之上，数字 AI 运行在封闭生成之上？或者这种压力最终会迫使封闭实验室也发布视觉权重？