LingBot ouvre un modèle de base pour la vision robotique replace l’article chinois dans un contexte lisible pour un public francophone. L’enjeu est LingBot-Depth 2.0 and LingBot-Vision target the spatial perception layer that robots need before navigation and manipulation become reliable.
Ce qui change
Les faits vérifiables sont les suivants : training samples expanded from 3 million to 150 million, reported first-place results across many depth-completion tests, DIODE-Indoor RMSE falling from 0.132 to 0.062, a roughly 1.1B-parameter flagship vision base model, and Orbbec integration plans. Ces éléments distinguent les données solides du discours de lancement.
Pourquoi c’est important
Robots fail on glass, mirrors, edges and occlusion; better depth completion lowers errors before planning even begins. L’IA se juge désormais avec les coûts, l’approvisionnement, la régulation et l’exploitation réelle, pas seulement avec les performances.
À suivre
Developers need to verify which weights are fully open, how SDK integrations perform, and whether the depth model holds up on real sensors. Le prochain test sera l’usage chez les clients, les essais indépendants et la stabilité après la phase d’annonce.
Sources vérifiées : QbitAI, Zhidongxi, DOIT, arXiv paper Vision Pretraining for Dense Spatial Perception and Hugging Face model cards, CocoLoop.