当机器人面对一排香槟塔，传统深度传感器看到的是一片破碎的轮廓——杯壁与背景糊在一起，杯塔像是被“挖掉”了一大块。而蚂蚁灵波让机器人看到的，是边界清晰、层次分明的完整结构，甚至连一道细细的透明水柱都轮廓分明。

这不是滤镜，这是蚂蚁灵波正在做的事。

7月7日，蚂蚁集团旗下具身智能公司灵波科技（Robbyant） 正式发布空间感知模型LingBot-Depth 2.0，并同步开源其自研视觉基座模型LingBot-Vision。这是一套从机器人视觉表征底层到深度感知能力的完整技术方案。

为什么机器人必须“看准”？

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”。机械臂抓杯子，边界看不准就可能抓偏；移动机器人在商场穿行，深度结果持续破碎，后面的路径规划和控制就会跟着抖。

市面上绝大多数视觉基础模型，擅长回答“图像里有什么”，却忽略了机器人最需要的——物体边界在哪、距离多远、空间关系如何。

LingBot-Vision的解法很聪明：从“边界”学起。

团队提出 “以边界为中心的掩码建模” ——不是随机遮盖图像区域让模型去猜，而是让模型主动识别物体边界，强制把这些最难猜的区域塞进训练目标里，逼着模型学习物体的几何结构。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旗舰模型仅11亿参数，在NYUv2深度估计基准上全面超越70亿参数的DINOv3，训练数据还不到后者的三分之一。团队同步开源了ViT-G/L/B/S四个版本，最小的仅3亿参数，非常适合端侧部署。

基于这个视觉底座，LingBot-Depth 2.0在16个深度补全基准测试中拿下12项第一，在最难的室内场景中深度误差较上一代减半。技术已经走出实验室——奥比中光已将LingBot-Depth 2.0集成进数据采集设备和SDK，并计划年底推出集成商业版的一体化相机。

蚂蚁灵波已将LingBot-Vision在Hugging Face和ModelScope平台以Apache-2.0协议完全开源。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。