机器人眼中的世界，和我们看到的世界，从来不是一回事。

给你看一个直观对比：画面左侧是真实世界——一排香槟塔，杯壁透明、酒液澄澈。中间是未经处理的原始深度图，杯子的轮廓支离破碎，部分杯壁和背景糊在一起，香槟塔像是被“挖”掉了一大块。但最右侧的画面完全不同——杯口、杯壁、杯身之间的几何关系清晰可辨，杯塔层次分明，甚至连一道细细的透明水柱都轮廓分明。

这不是滤镜，这是蚂蚁灵波刚刚开源的LingBot-Vision和LingBot-Depth 2.0干的事。

为什么机器人必须“看准”？因为看差一点，后果很严重。抓杯子，边界看不准就可能抓偏；在家庭、商场里移动，深度结果一直破碎，后面的路径规划和控制就会跟着抖。透明玻璃、反光材质、远距离小目标、弱光遮挡——这些对人类视觉来说不算难的事，恰恰是机器人视觉的“噩梦”。

LingBot-Vision的解法很聪明：让模型从“边界”学起。

传统视觉模型训练，往往随机遮住图像中的一块让模型猜回来。但遮住的可能只是墙面、天空这类信息密度不高的区域，模型猜对了也没学到真本事。蚂蚁灵波团队的做法更有针对性——让模型专门去学习那些更难、更有空间信息量的边界区域：杯口的边缘、门框的边线、行人和背景之间的分界。模型不只要学会“这是什么”，还要学会“它的边界在哪、形状如何、和周围空间是什么关系”。

结果很能打：LingBot-Vision仅用约10亿参数，在密集空间任务上就能匹敌或超过参数量最多约**7倍**的视觉基础模型。它的轻量版学生模型仅3亿参数，精度却能达到70亿参数模型的水平——对需要端侧部署的机器人来说，这意味着算力成本和延迟的大幅下降。

基于这个视觉底座，LingBot-Depth 2.0在12个深度补全基准测试中取得领先，在透明物体、反光材质、远距离目标、复杂室内场景中的表现尤其突出。更重要的是，随着下游训练数据增加，这个底座的优势还会进一步扩大——越训练，越拉开差距。

蚂蚁灵波已将这些模型权重全面开源，并与奥比中光围绕数采设备、SDK和一体化相机展开合作。当机器人开始真正理解空间的边界，具身智能离“上岗”，也就更近了一步。