机器人视觉迎来新突破！蚂蚁灵波空间感知模型LingBot-Depth 2.0正式发布

7月7日，蚂蚁集团旗下具身智能公司灵波科技发布空间感知模型 LingBot-Depth 2.0。该模型基于 1.5 亿规模数据进行训练，在边缘清晰度、细小物体识别、远距离深度估计以及复杂场景鲁棒性等方面实现全面升级。

LingBot-Depth是灵波自研的空间感知模型，相当于机器人在物理世界的眼睛，1.0版解决了机器人看清透明、反光等复杂场景的空间感知难题。相比于LingBot-Depth 1.0，LingBot-Depth 2.0的训练数据从300万扩充至1.5亿规模，性能全面升级：在深度补全基准的16项测评中获得12 项第一；在最难的室内大面积深度缺失场景中，深度误差较上一代减半（RMSE从0.132 降至0.062）；在玻璃、镜面、透明物体等传统深度相机最容易失灵的场景中表现尤为突出。

此次还同步推出了LingBot-Depth 2.0 的视觉基座模型——LingBot-Vision，构建起机器人从“看懂”到“看准”的能力链路，旨在应对机器人视觉在空间感知、精细识别和复杂环境适应等方面的核心挑战。

 

（图说1：LingBot-Depth 2.0 在镜面、玻璃等困难场景中补全出完整、平整的三维结构）

LingBot-Depth 2.0 的突破性进展得益于 LingBot-Vision 突出的视觉表征能力。作为一款通用视觉模型，LingBot-Vision 也是业内首个把“边界结构”作为预训练目标的视觉基础模型，实现了空间感知训练范式的突破。它拥有亚像素级的边界定位与空间结构理解能力，实现了更高精度、更稳定的空间感知能力。

LingBot-Vision 的预训练语料仅为 1.6 亿张图像，比 DINOv3 小一个数量级，深度估计精度却与优于 DINOv3；并且，LingBot-Vision对物体边界的判定足够稳定，能在视频中连续追踪物体边界。LingBot-Vision本次开源了4个版本——ViT-G/L/B/S。

据了解，LingBot-Vision除了支持LingBot-Depth 2.0的训练，还具备“一模多用”的通用能力。

 

（图说2：LingBot-Depth 2.0 在真实传感器深度补全测试中表现领先）

 

（图说3：与主流视觉基础模型相比，LingBot-Vision对物体边界和空间结构的识别更清晰、更稳定）

目前，LingBot-Depth 2.0 已通过奥比中光深度视觉实验室专业认证。实际场景测试显示，基于奥比中光 Gemini 330 系列双目 3D 相机提供的芯片级 3D 原始数据，LingBot-Depth 2.0 在边缘清晰度、物体轮廓完整性、细小物体识别、远距离深度估计及复杂光照、材质场景下的鲁棒性等方面均有明显提升。

 

（图说4：LingBot Depth 2.0通过奥比中光深度视觉实验室专业评测，在多型号传感器的空间和时域深度估计任务上都展现了极高的精度和稳定性）

在商业化方面，蚂蚁灵波已与奥比中光在诸多方面展开深度合作。据了解，奥比中光最新推出的无本体数据采集产品矩阵中，RGB-D版本的EGO设备会适配灵波科技专门为数采场景优化的 LingBot-Depth 版本，后续还将进一步集成更高级别商业版本模型，持续补全深度缺失、优化物体边缘和空间结构细节，为具身智能模型训练提供更精准、更稳定、更可用的真实世界数据底座。

此外，奥比中光将推出集成 LingBot-Depth 最新模型能力的 SDK 产品，供机器人客户在端侧使用，让使用 Gemini 330 系列相机的机器人获得更好的深度效果；并计划于年底推出集成 LingBot-Depth 商业版的一体化相机产品，实现“3D 相机 + 空间感知能力”的一体化交付。随着两款模型的发布，双方合作有望延展至更多领域。

目前，两款模型的技术报告、LingBot-Vision的模型权重已开源。蚂蚁灵波科技表示，希望以开放的方式与行业共建机器人视觉底座，让机器人突破在真实物理世界中“看懂、看准、看稳”的行业瓶颈，加速具身产业规模化落地。