Ant Group открыла исходники LingBot-Vision: 1B-модель для пространственного восприятия роботов

Подразделение Ant Group по робототехнике Robbyant 7 июля 2026 года опубликовало в открытый доступ LingBot-Vision — семейство self-supervised Vision Transformer-моделей на 1 млрд параметров для задач плотного пространственного восприятия. Вместе с кодом команда представила подход masked boundary modeling, делающий границы объектов нативным обучающим сигналом.

Что такое masked boundary modeling

В классических masked autoencoder-подходах обучающим сигналом служат скрытые патчи пикселей: модель восстанавливает замаскированные участки изображения и формирует общее понимание визуального контента. LingBot-Vision переключает сигнал — в качестве целевой информации выступают именно границы объектов.

Идея исходит из простого наблюдения: контуры между объектами несут в себе плотную пространственную информацию — где заканчивается предмет, как устроена геометрия сцены, какова форма поверхностей. Модель учится распознавать и восстанавливать именно эти контуры. Для роботизированных систем это критически важный тип знаний: роботу нужно не просто распознать, что перед ним стол, а точно понять, где он начинается и заканчивается в пространстве.

Метод полностью самообучающийся: ручная разметка не требуется. Обучающий сигнал модель извлекает напрямую из структуры изображений — подготовка данных принципиально дешевле по сравнению с supervised-подходами.

Почему 1B-модель обходит более крупные аналоги

Ключевой результат Robbyant: 1B-backbone LingBot-Vision на задачах плотного пространственного восприятия сравнивается или превосходит модели большего размера. Примечательно, что речь идёт именно о ViT-архитектуре: Vision Transformer-бэкбоны, как правило, выигрывают от масштабирования, — поэтому высокие результаты при 1 млрд параметров говорят прежде всего об эффективности самого обучающего сигнала.

Ключевые характеристики модели:

• Число параметров: 1 млрд (1B ViT backbone)
• Метод обучения: masked boundary modeling без ручной разметки
• Целевая задача: dense spatial perception — плотное пространственное восприятие
• Применение в экосистеме: инициализация LingBot-Depth 2.0
• Дата открытого выпуска: 7 июля 2026 года

Dense spatial perception охватывает оценку глубины, понимание геометрии поверхностей и точное детектирование объектов в трёхмерном пространстве — именно там граничная информация даёт максимальный прирост. LingBot-Vision также служит базой весов для LingBot-Depth 2.0, системы глубинного восприятия из той же экосистемы Robbyant, что указывает на системный подход: Ant Group последовательно строит взаимосвязанный стек vision-компонентов для робототехнических применений.

Открытый код для развития ниши

Ant Group — финтех-гигант, материнская компания Alipay, один из крупнейших технологических игроков Китая. Robbyant — её подразделение, сосредоточенное на роботизированных системах и AI для физического мира.

Открытый выпуск LingBot-Vision вписывается в заметную стратегию крупных китайских AI-лабораторий: публиковать конкурентоспособные модели в открытом доступе, формируя стандарты в целевых нишах. Публикация кода и весов снижает порог входа для команд, работающих над роботизированным восприятием, промышленным компьютерным зрением и автономными системами. Подход masked boundary modeling при этом открыт для адаптации: исследователи могут экспериментировать с другими типами структурных сигналов поверх той же архитектурной базы.

Что это значит

LingBot-Vision демонстрирует: в задачах пространственного восприятия правильный обучающий сигнал важнее масштаба модели. Для инженеров и исследователей, работающих над 3D-восприятием и робототехникой, это готовый open-source фундамент без дорогостоящей разметки данных. Masked boundary modeling как метод перспективен и сам по себе: он открывает возможности для экспериментов с типами структурной информации, извлекаемой из изображений без разметки.