标签
LingBot Vision是一个新的视觉基础模型，在Apache 2.0许可下发布，提供四种尺寸（small, base, large, giant），并使用掩码边界建模进行预训练。它驱动了一个在多个基准测试中名列前茅的深度估计系统。
LingBot Vision 是蚂蚁集团推出的一种自监督视觉骨干网络家族，它采用掩码边界建模方法，在密集空间感知任务上取得了领先性能，在 NYU-Depth v2 基准上超越了更大的 DINOv3 模型。
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，采用 Apache-2.0 协议。尽管使用的训练数据不到 DINOv3 的三分之一，它在多个深度和分割基准测试中与 DINOv3 持平或超越，凸显了开放感知模型的推动力。
LingBot-Vision引入了掩码边界建模用于自监督预训练，在1.1B参数下NYUv2线性探测上达到0.296 RMSE，而DINOv3-7B为0.309，虽然在ImageNet上表现稍逊；已发布四种尺寸的权重。