蚂蚁灵波发布空间感知模型 LingBot-Depth 2.0

背景

近年来，具身智能和机器人技术快速发展，但机器人在复杂环境中实现精准的空间感知和视觉理解仍面临核心瓶颈。传统视觉模型往往只能让机器人“看懂”场景中的物体，却难以做到“看准”物体的精确距离、三维结构和空间关系。蚂蚁集团在AI与机器人领域持续布局，其旗下灵波科技此前已开源了多款机器人核心模型，包括世界模型 LingBot-World、空间感知模型 LingBot-Depth 初代版本，以及全模态大模型 Ming-flash-omni 2.0 等。此次发布的空间感知模型 LingBot-Depth 2.0 及其配套的视觉基座模型 LingBot-Vision，是蚂蚁灵波在机器人感知体系上的又一次重要升级。

核心内容

蚂蚁灵波科技正式发布空间感知模型 LingBot-Depth 2.0。该模型经过 1.5 亿规模的数据训练，在性能、精度和鲁棒性等多个方面实现了全面升级。相比初代版本，LingBot-Depth 2.0 能够更准确、更高效地输出场景深度信息，帮助机器人理解三维空间结构。

同时，蚂蚁灵波还推出了配套的视觉基座模型 LingBot-Vision。该模型旨在构建一条从“看懂”到“看准”的能力链路：LingBot-Vision 负责对场景进行高层次的语义理解（“看懂”），而 LingBot-Depth 2.0 则负责精确的空间深度估计（“看准”）。两者协同工作，共同应对机器人视觉中“感知理解不充分、空间定位不精确”的核心挑战。

关键要点

• LingBot-Depth 2.0 的训练数据规模达到 1.5 亿，为模型提供了丰富的场景覆盖能力。
• 该模型在深度估计的精度、泛化能力和实时性上均有显著提升，属于空间感知模型的重大迭代。
• LingBot-Vision 作为视觉基座模型，为机器人提供场景语义分析与物体识别能力，是“看懂”层面的基础。
• 两个模型形成“看懂 + 看准”的双层能力链路：LingBot-Vision 先理解场景内容，LingBot-Depth 2.0 再精确测量三维空间位置。
• 该组合方案直接针对机器人视觉的核心痛点——语义理解与空间定位的脱节，为机器人操作和导航提供更可靠的感知输入。

意义与影响

LingBot-Depth 2.0 与 LingBot-Vision 的联合发布，标志着蚂蚁灵波在机器人感知领域形成了更完整的工具链。以往机器人视觉模型往往在语义理解和空间深度估计上各自为战，难以实现高效协同。此次推出的“看懂-看准”链路为行业提供了一种系统化解决方案，有望降低机器人开发者在视觉感知环节的集成难度。

从产业角度看，这一进展将加速具身智能在工业、物流、家庭服务、巡检等场景的落地。精确的空间感知是机器人自主导航、抓取操作和人机交互的基础，LingBot-Depth 2.0 的大规模数据训练也意味着其具备较好的通用性和迁移能力。结合蚂蚁灵波此前开源的 LingBot-World 世界模型等成果，蚂蚁集团正在围绕机器人智能构建一套从感知、理解到预测的完整模型矩阵，其开源策略也有助于推动整个具身智能生态的发展。