蚂蚁集团旗下具身智能公司灵波科技，把机器人视觉这块短板又往前推了一步。
7 月 7 日，灵波科技发布空间感知模型 LingBot-Depth 2.0，并同步开源视觉基座模型 LingBot-Vision。前者面向机器人深度补全，后者更像底层视觉骨架：不是只判断画面里有什么，而是尽量把边界、距离和空间结构看准。
这件事对具身智能不算小更新。机器人要移动、避障、抓取，靠的不是一张好看的 RGB 图，而是连续、稳定、足够准的深度信息。玻璃、镜面、透明物体、暗光和遮挡，正是传统深度相机最容易掉链子的地方。灵波这次强调的，也是让机器人在这些场景里少“看漏”、少“看碎”。
数据上，LingBot-Depth 2.0 的训练样本从 1.0 版本的 300 万扩大到 1.5 亿，规模大了 50 倍。公开资料显示，它在 16 个深度补全基准中拿到 12 项第一；在 DIODE-Indoor 这类室内大面积深度缺失场景中，RMSE 从上一代的 0.132 降到 0.062，误差约减半。
arXiv 技术报告给出的口径略有差别：论文表述为覆盖不同深度模式和相机类型的 14 个基准上达到领先表现，并在若干表格里列出块状遮挡、稀疏输入和真实相机深度补全的具体数值。也就是说，媒体稿里的“16 项测评 12 项第一”和论文里的“14 个基准领先”，不是完全同一句话。本文按更谨慎的方式理解：它在多类深度补全测试中跑到了第一梯队，最硬的数字是 DIODE-Indoor RMSE 0.132 到 0.062 这一组。
LingBot-Vision 是这次更底层的变化。它把“边界结构”放进预训练目标，而不是只围着图像分类和语义识别打转。灵波给出的说法是，旗舰模型大约 11 亿参数，预训练语料约 1.6 亿张图像；智东西援引的资料称，它在 NYUv2 深度估计上能用约七分之一参数量对标 70 亿参数级 DINOv3。论文里还列出一个更适合端侧的 ViT-L 版本，约 3 亿参数，在同一协议下 NYUv2 RMSE 接近 7B 级 DINOv3。
这组对比的重点不在“谁更聪明”，而在机器人能不能用。大模型视觉基座如果只擅长图片语义，放到真实机器人上，常常会卡在边界和深度上；但机器人抓杯子、绕开玻璃门、贴近桌沿移动，恰好都吃这些细节。把训练目标从“认物体”往“读空间”挪，才是 LingBot-Vision 这次最值得看的地方。
商业化线索也已经露出来。量子位和 DOIT 的报道都提到，LingBot-Depth 2.0 已通过奥比中光深度视觉实验室专业认证。奥比中光的 EGO RGB-D 数据采集设备会适配面向数采场景优化的 LingBot-Depth 版本，Gemini 330 系列相机也会通过 SDK 接入相关能力；双方还计划在今年年底推出集成 LingBot-Depth 商业版的一体化相机。
这一步很现实。对机器人公司来说，自己训一个空间感知模型、再把它塞进相机链路和数据采集流程，成本并不低。如果相机厂商把模型、SDK 和硬件一起交付，机器人团队拿到的就不只是深度图，而是一套能补玻璃、镜面、边缘和遮挡的空间输入。它未必立刻让机器人变得会干活，但会降低后面导航、抓取和三维重建的出错率。
灵波科技在发布中说，希望“以开放的方式与行业共建机器人视觉底座”，让机器人突破真实物理世界里“看懂、看准、看稳”的瓶颈。这句话的关键不在口号，而在开源范围：LingBot-Vision 的模型权重已经放到 Hugging Face，技术报告也能公开查到；但从社区讨论看，LingBot-Depth 2.0 的完整深度补全权重是否全部开放，还需要继续核对。
这也决定了它接下来的验证方式。视觉基座开源以后，开发者可以复现实验、接下游任务、看端侧负载；深度补全能力若更多留在产品和 API 里，行业会更依赖奥比中光这类硬件伙伴的实际交付。对国内具身智能公司来说，这条路线的价值很清楚：少一点炫技，多一点能在真实传感器和真实场景里跑起来的视觉底座。
来源与核验：量子位、智东西、DOIT、arXiv 论文《Vision Pretraining for Dense Spatial Perception》、CocoLoop、Hugging Face 模型卡；已核验发布时间、训练数据规模、RMSE 数值、开源模型、奥比中光合作与商业化路径。