LingBot-Vision : le modèle de vision gratuit d'Ant Group

Ant Group a publié gratuitement LingBot-Vision, une famille de modèles de vision open source de 1 milliard de paramètres dédiée à la perception spatiale en robotique.

Qu'est-ce que le masked boundary modeling ?

Dans les approches classiques de masked autoencoder, le signal d'entraînement repose sur des patchs de pixels masqués : le modèle reconstruit les zones cachées de l'image et acquiert une compréhension générale du contenu visuel. LingBot-Vision change de signal : la cible à prédire, ce sont les contours des objets eux-mêmes.

L'idée part d'un constat simple : les contours entre objets portent une information spatiale dense, comme l'endroit où un objet s'arrête, la géométrie de la scène ou la forme des surfaces. Le modèle apprend à reconnaître et à reconstruire précisément ces contours. Pour les systèmes robotiques, ce type de connaissance est crucial : un robot ne doit pas seulement reconnaître qu'il a une table devant lui, mais comprendre avec précision où elle commence et où elle finit dans l'espace.

La méthode est entièrement auto-supervisée : aucune annotation manuelle n'est nécessaire. Le modèle tire le signal d'entraînement directement de la structure des images, ce qui rend la préparation des données bien moins coûteuse qu'avec les approches supervisées.

Pourquoi un modèle de 1B dépasse des modèles plus gros

Le résultat clé de Robbyant : sur les tâches de perception spatiale dense, le backbone de 1B de LingBot-Vision égale ou surpasse des modèles de plus grande taille. Notons qu'il s'agit d'une architecture ViT : les backbones Vision Transformer profitent en général de la montée en échelle, si bien que de bons résultats avec 1 milliard de paramètres témoignent avant tout de l'efficacité du signal d'entraînement lui-même.

Caractéristiques principales du modèle :

• Paramètres : 1 milliard (backbone ViT de 1B)
• Méthode d'entraînement : masked boundary modeling sans annotation manuelle
• Tâche visée : perception spatiale dense
• Rôle dans l'écosystème : initialisation de LingBot-Depth 2.0
• Date de publication ouverte : 7 juillet 2026

La perception spatiale dense couvre l'estimation de la profondeur, la compréhension de la géométrie des surfaces et la détection précise d'objets dans l'espace tridimensionnel, là où l'information de contour apporte le plus grand gain. LingBot-Vision fournit aussi les poids de base de LingBot-Depth 2.0, un système de perception de la profondeur issu du même écosystème Robbyant. Cela dénote une approche systématique : Ant Group construit méthodiquement une pile cohérente de composants de vision pour la robotique.

Du code ouvert pour faire grandir une niche

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

La publication ouverte de LingBot-Vision s'inscrit dans une stratégie visible des grands laboratoires chinois d'IA : diffuser des modèles compétitifs en accès libre et imposer des standards dans des niches ciblées. La mise à disposition du code et des poids abaisse le seuil d'entrée pour les équipes travaillant sur la perception robotique, la vision industrielle et les systèmes autonomes. Par ailleurs, le masked boundary modeling reste ouvert à l'adaptation : les chercheurs peuvent tester d'autres types de signaux structurels sur la même base architecturale.

Ce que cela signifie

LingBot-Vision montre qu'en perception spatiale, le bon signal d'entraînement compte davantage que la taille du modèle. Pour les ingénieurs et chercheurs en perception 3D et en robotique, c'est une base open source prête à l'emploi, sans annotation de données coûteuse. Le masked boundary modeling est aussi prometteur en soi : il ouvre la voie à des expériences avec d'autres types d'information structurelle extraits d'images sans annotation.