vision-backbone

该论文提出 GTR，一个无需 softmax 的循环视觉主干网络，采用门控线性注意力，在 COCO 上以约 1.9 ms 的延迟达到 58.9 box AP。该模型从 DINOv3 检测教师模型蒸馏而来，适用于高分辨率密集预测和边缘部署。

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。