Ant Group ouvre le code source de LingBot-Vision : un modèle 1B pour la perception spatiale des robots

La division robotique d'Ant Group, Robbyant, a publié le 7 juillet 2026 en accès ouvert LingBot-Vision — une famille de modèles Vision Transformer auto-supervisés avec 1 milliard de paramètres pour les tâches de perception spatiale dense. Avec le code, l'équipe a présenté l'approche masked boundary modeling, qui rend les limites d'objets un signal d'entraînement natif.

Qu'est-ce que masked boundary modeling

Dans les approches classiques d'autoencodeur masqué, les patches de pixels cachés servent de signal d'entraînement : le modèle reconstruit les régions d'image masquées et forme une compréhension générale du contenu visuel. LingBot-Vision change le signal — les limites des objets eux-mêmes deviennent l'information cible.

L'idée provient d'une observation simple : les contours entre les objets portent une information spatiale dense — où un objet se termine, comment la géométrie de la scène est organisée, quelle est la forme des surfaces. Le modèle apprend à reconnaître et reconstruire ces contours. Pour les systèmes robotiques, c'est un type de connaissance critique : un robot doit non seulement reconnaître qu'il y a une table devant lui, mais comprendre précisément où elle commence et se termine dans l'espace.

La méthode est entièrement auto-supervisée : aucune annotation manuelle n'est requise. Le modèle extrait le signal d'entraînement directement de la structure des images — la préparation des données est fondamentalement moins chère comparée aux approches supervisées.

Pourquoi un modèle 1B surpasse des homologues plus grands

Le résultat clé de Robbyant : le backbone 1B de LingBot-Vision sur les tâches de perception spatiale dense égale ou surpasse les modèles plus grands. Notamment, il s'agit d'architecture ViT : les backbones Vision Transformer bénéficient généralement de la mise à l'échelle — donc, des résultats élevés avec 1 milliard de paramètres parlent principalement de l'efficacité du signal d'entraînement lui-même.

Caractéristiques clés du modèle :

• Nombre de paramètres : 1 milliard (backbone ViT 1B)
• Méthode d'entraînement : masked boundary modeling sans annotation manuelle
• Tâche cible : perception spatiale dense
• Application dans l'écosystème : initialisation de LingBot-Depth 2.0
• Date de lancement public : 7 juillet 2026

La perception spatiale dense couvre l'estimation de profondeur, la compréhension de la géométrie de surface et la détection précise d'objets dans l'espace tridimensionnel — l'information de limites fournit le maximum d'avantage précisément là. LingBot-Vision sert également de base de poids pour LingBot-Depth 2.0, un système de perception de profondeur du même écosystème Robbyant, indiquant une approche systématique : Ant Group construit systématiquement une pile interconnectée de composants de vision pour les applications robotiques.

Code ouvert pour le développement de niche

Ant Group est un géant de la fintech, société mère d'Alipay, l'un des plus grands acteurs technologiques de la Chine. Robbyant est sa division concentrée sur les systèmes robotiques et l'IA pour le monde physique.

Le lancement public de LingBot-Vision s'inscrit dans une stratégie notable des grands laboratoires d'IA chinois : publier des modèles compétitifs en accès ouvert, établissant des normes dans les niches cibles. Publier le code et les poids abaisse la barrière d'entrée pour les équipes travaillant sur la perception robotique, la vision par ordinateur industrielle et les systèmes autonomes. L'approche masked boundary modeling est cependant ouverte à l'adaptation : les chercheurs peuvent expérimenter d'autres types de signaux structurels sur la même base architecturale.

Ce que cela signifie

LingBot-Vision démontre : dans les tâches de perception spatiale, le signal d'entraînement correct importe plus que l'échelle du modèle. Pour les ingénieurs et chercheurs travaillant sur la perception 3D et la robotique, c'est une base open-source prête sans annotation de données coûteuse. Masked boundary modeling en tant que méthode est prometteur en soi : il ouvre des opportunités d'expérimentation avec les types d'information structurale extraite des images sans annotation.