Ant Group abre el código fuente de LingBot-Vision: un modelo de 1B para la percepción espacial de robots

La división de robótica de Ant Group, Robbyant, publicó el 7 de julio de 2026 en acceso abierto LingBot-Vision — una familia de modelos Vision Transformer autosupervisados con 1 billón de parámetros para tareas de percepción espacial densa. Junto con el código, el equipo presentó el enfoque masked boundary modeling, que convierte los límites de objetos en una señal de entrenamiento nativa.

Qué es masked boundary modeling

En los enfoques clásicos de autoencoder enmascarado, parches de píxeles ocultos sirven como señal de entrenamiento: el modelo reconstruye regiones de imagen enmascaradas y forma una comprensión general del contenido visual. LingBot-Vision cambia la señal — los límites de los objetos en sí se convierten en la información objetivo.

La idea proviene de una observación simple: los contornos entre objetos llevan información espacial densa — dónde termina un objeto, cómo se organiza la geometría de la escena, cuál es la forma de las superficies. El modelo aprende a reconocer y reconstruir estos contornos. Para sistemas robóticos, este es un tipo de conocimiento críticamente importante: un robot no solo necesita reconocer que hay una mesa frente a él, sino entender con precisión dónde comienza y termina en el espacio.

El método es completamente autosupervisado: no se requiere anotación manual. El modelo extrae la señal de entrenamiento directamente de la estructura de las imágenes — la preparación de datos es fundamentalmente más barata en comparación con enfoques supervisados.

Por qué un modelo de 1B supera análogos más grandes

El resultado clave de Robbyant: el backbone 1B de LingBot-Vision en tareas de percepción espacial densa iguala o supera modelos más grandes. Notablemente, se trata de arquitectura ViT: los backbones Vision Transformer típicamente se benefician del escalado — por lo tanto, resultados altos en 1 billón de parámetros hablan principalmente sobre la eficiencia de la propia señal de entrenamiento.

Características clave del modelo:

• Número de parámetros: 1 billón (backbone ViT 1B)
• Método de entrenamiento: masked boundary modeling sin anotación manual
• Tarea objetivo: percepción espacial densa
• Aplicación en el ecosistema: inicialización de LingBot-Depth 2.0
• Fecha de lanzamiento público: 7 de julio de 2026

La percepción espacial densa cubre estimación de profundidad, comprensión de geometría de superficie y detección precisa de objetos en espacio tridimensional — la información de límite proporciona el máximo beneficio precisamente allí. LingBot-Vision también sirve como base de pesos para LingBot-Depth 2.0, un sistema de percepción de profundidad del mismo ecosistema Robbyant, indicando un enfoque sistemático: Ant Group construye consistentemente un stack interconectado de componentes de visión para aplicaciones robóticas.

Código abierto para el desarrollo de nichos

Ant Group es un gigante fintech, compañía matriz de Alipay, uno de los mayores jugadores tecnológicos de China. Robbyant es su división enfocada en sistemas robóticos e IA para el mundo físico.

El lanzamiento público de LingBot-Vision se ajusta a una estrategia notable de grandes laboratorios de IA chinos: publicar modelos competitivos en acceso abierto, estableciendo estándares en nichos objetivo. Publicar código y pesos reduce la barrera de entrada para equipos trabajando en percepción robótica, visión computacional industrial y sistemas autónomos. El enfoque masked boundary modeling está abierto para adaptación: los investigadores pueden experimentar con otros tipos de señales estructurales sobre la misma base arquitectónica.

Qué significa esto

LingBot-Vision demuestra: en tareas de percepción espacial, la señal de entrenamiento correcta importa más que la escala del modelo. Para ingenieros e investigadores trabajando en percepción 3D y robótica, este es un fundamento open-source listo sin costosa anotación de datos. Masked boundary modeling como método es prometedor en sí mismo: abre oportunidades para experimentación con tipos de información estructural extraída de imágenes sin anotación.