机器人看透玻璃杯子？蚂蚁开源首个空间视觉模型，让AI更懂真实世界

到底发生了什么？

机器人看世界，以前有个大难题：它们很难看清透明玻璃杯、远处的小球，或者光线复杂的环境里。比如一个香槟塔，机器人可能会把杯壁和背景混在一起，抓杯子时容易抓偏。

现在，蚂蚁灵波开源了两个新模型：

• LingBot-Vision：像个“视觉底座”，专门教机器人理解物体的边界和空间关系；
• LingBot-Depth 2.0：基于这个底座做的深度感知模型，能输出更稳定的距离信息。

对普通人有什么用？

以后你家里如果来了服务机器人，它搬东西、送水、避开障碍物会更稳。比如它能看清透明水柱在哪里，准确把水壶放到水柱下接水。在工厂、商场里，移动机器人也能提前避开远处的人或宠物，不会突然急刹。

解决了哪些难题？

1. 透明和反光材质：以前玻璃杯、塑料瓶在机器人眼里像“隐形”的，现在能看清杯口、杯壁的轮廓。
2. 小目标和远距离：比如网球、远处的狗狗，以前的模型糊成一团，新模型能分清它们的位置。
3. 室内复杂场景：玻璃门、窗帘、强光阴影下，深度图不再破碎，空间层次更完整。
4. 弱光和遮挡：走廊、门框、墙角这些地方，边缘更稳定，机器人不会误判。

核心原理（用大白话说）

以前的模型学东西像“随机刷题”——蒙住图像一块让你猜，但可能总是猜天空、墙面这些简单地方。LingBot-Vision不一样，它专门挑难的地方学，比如物体的边界、边缘，强制模型去弄懂这些关键结构。这样训练出来的模型，对空间关系理解更深。

结果：这个只有10亿参数的模型，在空间任务上能赶上甚至超过参数大7倍的模型。而且它的轻量版只有0.3亿参数，就能达到大模型的效果，非常适合装进机器人里跑。