Ant Group abre o código-fonte do LingBot-Vision: modelo de 1B para percepção espacial de robôs

A divisão de robótica da Ant Group, Robbyant, publicou em 7 de julho de 2026 em acesso aberto LingBot-Vision — uma família de modelos Vision Transformer auto-supervisionados com 1 bilhão de parâmetros para tarefas de percepção espacial densa. Junto com o código, o time apresentou a abordagem masked boundary modeling, que torna os limites de objetos um sinal de treinamento nativo.

O que é masked boundary modeling

Nas abordagens clássicas de masked autoencoder, patches de pixels ocultos servem como sinal de treinamento: o modelo reconstrói regiões de imagem mascaradas e forma uma compreensão geral do conteúdo visual. LingBot-Vision muda o sinal — os limites dos objetos em si se tornam a informação alvo.

A ideia vem de uma observação simples: contornos entre objetos carregam informações espaciais densas — onde um objeto termina, como a geometria da cena é organizada, qual é a forma das superfícies. O modelo aprende a reconhecer e reconstruir esses contornos. Para sistemas robóticos, este é um tipo de conhecimento criticamente importante: um robô precisa não apenas reconhecer que há uma mesa na sua frente, mas entender com precisão onde ela começa e termina no espaço.

O método é completamente auto-supervisionado: anotação manual não é necessária. O modelo extrai o sinal de treinamento diretamente da estrutura das imagens — preparação de dados é fundamentalmente mais barata em comparação com abordagens supervisionadas.

Por que um modelo de 1B supera análogos maiores

O resultado-chave da Robbyant: o backbone 1B da LingBot-Vision em tarefas de percepção espacial densa corresponde ou supera modelos maiores. Notavelmente, trata-se de arquitetura ViT: backbones Vision Transformer tipicamente se beneficiam do escalonamento — portanto, resultados altos em 1 bilhão de parâmetros falam principalmente sobre a eficiência do próprio sinal de treinamento.

Características-chave do modelo:

• Número de parâmetros: 1 bilhão (backbone ViT 1B)
• Método de treinamento: masked boundary modeling sem anotação manual
• Tarefa alvo: percepção espacial densa
• Aplicação no ecossistema: inicialização de LingBot-Depth 2.0
• Data de lançamento público: 7 de julho de 2026

A percepção espacial densa cobre estimativa de profundidade, compreensão de geometria de superfície e detecção precisa de objetos em espaço tridimensional — informação de limite fornece máximo benefício precisamente lá. LingBot-Vision também serve como base de pesos para LingBot-Depth 2.0, um sistema de percepção de profundidade do mesmo ecossistema Robbyant, indicando uma abordagem sistemática: Ant Group constrói consistentemente um stack interconectado de componentes de visão para aplicações robóticas.

Código aberto para desenvolvimento de nicho

Ant Group é um gigante fintech, companhia-mãe da Alipay, um dos maiores players tecnológicos da China. Robbyant é sua divisão focada em sistemas robóticos e IA para o mundo físico.

O lançamento público de LingBot-Vision se encaixa em uma estratégia notável de grandes laboratórios de IA chineses: publicar modelos competitivos em acesso aberto, estabelecendo padrões em nichos alvo. Publicar código e pesos reduz a barreira de entrada para times trabalhando em percepção robótica, visão computacional industrial e sistemas autônomos. A abordagem masked boundary modeling entretanto está aberta para adaptação: pesquisadores podem experimentar com outros tipos de sinais estruturais sobre a mesma base arquitetural.

O que isso significa

LingBot-Vision demonstra: em tarefas de percepção espacial, o sinal de treinamento correto importa mais que a escala do modelo. Para engenheiros e pesquisadores trabalhando em percepção 3D e robótica, este é um fundamento open-source pronto sem anotação de dados custosa. Masked boundary modeling como método é promissor em si: abre oportunidades para experimentação com tipos de informação estrutural extraída de imagens sem anotação.