我先联网核实这条 “空间原生具身视觉基模开源” 的原始信息，同时参考既往同类稿件对口径的经验。
我已找到原始报道，来源是量子位（2026-07-07，蚂蚁灵波）。接下来我会细读原文和技术细节，把参数口径核实清楚。
我已经确认这是蚂蚁灵波于 7 月发布的事件。接下来会继续读完原文后半段，核实开源许可、评测数字和落地细节。
原文细节已经齐了，接下来我会核对开源的具体范围：代码许可、权重许可和实际发布的模型规格。
权重页确认：四个规格（ViT-g/L/B/S）的 backbone 权重均为 Apache 2.0，且只提供主干权重。接下来我再补充第三方信源与产业合作口径。
再核对一下官方项目页的原始表述，避免把 “首个” 这一媒体说法当成定论。
2026 年 7 月 7 日，蚂蚁集团旗下的具身智能公司蚂蚁灵波（Robbyant）发布并开源了 LingBot-Vision。这是一个约 1.1B 参数（ViT-g/16）的 “空间原生” 具身视觉基模，同时发布了基于它的深度补全模型 LingBot-Depth 2.0。据官方和媒体口径，这是 “全球首个空间原生视觉基础模型”。在 Hugging Face 与 ModelScope 上，模型权重按 ViT-g、ViT-L、ViT-B、ViT-S 四档放出，许可标注为 Apache 2.0，代码仓库在 GitHub，技术报告挂在 arXiv 上。更值得关注的是它的效率：预训练语料约 1.61 亿张图，是从 20 亿张原始图片里筛出来的，规模只有 DINOv3 的约十分之一，训练迭代量也不到 DINOv3 的三分之一；在 NYUv2 深度估计上，它的 RMSE 为 0.296，比参数量约为它 7 倍的 7B DINOv3（0.309）更低。在依赖它的 LingBot-Depth 2.0 上，16 项公开评测中有 12 项拿到最优，透明物体的 ClearGrasp 场景提升尤其明显。
新浪财经它想解决的，是机器人 “看得见但看不准”
真实的机器人任务里，视觉出错往往并非 “认不出类别”，而是 “差一点”：
- 透明、反光材质：玻璃杯、香槟塔、窗户、玻璃护栏，主动深度传感器在这些表面直接测不到值，原始深度图会出现空洞、杯壁粘连、轮廓破碎。抓杯子时边界不准，手爪就会抓偏，或者撞到旁边那一层。
- 小目标与远距离：户外追逐网球、走廊尽头的行人，原始深度基本糊成一片，机器人无法提前判断 “前方有没有东西”，只能贴脸才刹车。
- 室内复杂场景：玻璃门、窗帘、电视柜、光照变化，深度图容易在边缘交界处出现大片破碎。
- 弱光、遮挡与杂乱：门框、墙角、桌面交错时，边缘噪点和缺口会直接传导到导航与规划。
一句话概括：机器人需要的是 “空间常识”，即哪里是边界、哪里是空的、哪个东西离我多远，而不仅是 “这是什么”。
今日头条为什么从 “边界” 入手
主流视觉基础模型（含 DINOv3）的掩码建模是随机遮块。随机遮住的地方很可能是墙面、天空、地板这类平坦区域，模型猜对了也学不到几何结构。LingBot-Vision 换了个做法，叫以边界为中心的掩码建模（masked boundary modeling）：
- 让教师模型在训练中在线预测图像边界，不需要人工标注，也不需要外部边缘检测器；
- 把带边界的 patch 强制塞进被遮盖的集合（boundary forcing），逼学生模型只能靠上下文重建几何；
- 边界 token 除了语义自蒸馏，还要额外匹配一个分类化的边界场目标（离散的距离与方向类别），避免直接回归连续几何数值导致训练坍缩；
- 用 a-contrario 检验过滤不显著的伪边界，防止把噪声当结构学进去。
这里的 “自举难题” 也有解法：一开始模型不知道边界在哪，但只要给一组稀疏角点，即使边界场数值完全随机，解码出的线段依然连贯一致。角点锚定了结果，细节可以随训练慢慢填准。
要提醒的是，“空间原生” 是官方提出的概念，指在预训练目标里就把空间结构刻进去，并非行业统一标准术语；它与 DINO 系列也不是取代关系，两者共用自蒸馏范式，分歧只在 “遮哪里” 这一步。
新浪财经开源的具体内容
| 项目 | 内容 |
|---|---|
| 开源主体 | LingBot-Vision 视觉主干（backbone） |
| 规格 | ViT-g/16（约 1.1B）、ViT-L/16（约 0.3B）、ViT-B/16、ViT-S/16 |
| 权重许可 | Apache 2.0（Hugging Face 模型卡标注） |
| 权重内容 | 仅 backbone 的 model.pt；训练头、优化器状态、边界目标生成组件未包含 |
| 代码 / 报告 | GitHub robbyant/lingbot-vision；arXiv 2607.05247 |
| 同批的 Depth 2.0 | 定位是 “发布 + 认证 + 商业集成”，公开材料未将其列为同批开源对象 |
所以 “开源” 在这里要拆开看：权重放开、可商用（Apache 2.0）、但只给主干。想复现完整训练流程，边界目标生成那一段并不在发布物里；代码仓库的具体许可，仍建议按 LICENSE 文件再确认一遍，不要只看模型卡的标注。
四档模型怎么选
| 规格 | 参数 | NYUv2 RMSE（越低越好） | 适合的部署场景 |
|---|---|---|---|
| ViT-g/16 | 约 1.1B | 0.296 | 服务器 / 高质量稠密特征、离线标注、数据生产 |
| ViT-L/16 | 约 0.3B | 0.310 | 主力实用档，精度已追平 7B DINOv3 |
| ViT-B/16 | — | 0.339 | 算力受限的移动平台、多任务共享表征 |
| ViT-S/16 | — | 0.383 | 端侧轻量 demo、低延迟感知 |
上手路径很短：克隆仓库 → 建 Python 3.10 环境 → 安装依赖 → 用 load_pretrained_backbone(variant="large") 加载；GPU 上建议使用 bfloat16。冻结特征即可直接做 PCA 可视化、线性探测、深度 / 分割下游头初始化，也支持 4096 token 的高分辨率推理，用于细线、胡须、电缆这类薄结构。
成绩怎么看，短板在哪
| 任务 / 基准 | LingBot-Vision（1B） | DINOv3（7B） | 结论 |
|---|---|---|---|
| NYUv2 深度 RMSE | 0.296 | 0.309 | 领先 |
| KITTI 深度 RMSE | 2.552 | 2.346 | 落后，但为 2B 以下最强 |
| ADE20K 分割 mIoU | 53.5 | 55.9 | 落后 |
| Cityscapes | 79.6 | 81.1 | 基本持平 |
| VOC12 | 87.5 | 86.6 | 领先 |
| DAVIS / YT-VOS（免训练） | 70.0 / 73.5 | 71.1 / 74.1 | 接近顶级蒸馏模型 |
| ImageNet 线性探测 | 86.32 | 87.87 | 明显落后 |
分类是它的相对短板，技术报告的解释是训练目标带来的权衡：更多 “注意力” 投给了局部几何，而不是语义类别。对机器人来说这笔账划算，但如果你的任务是纯图像分类，它不是最优选。
Depth 2.0 的变化也很清楚：管线不动，只把编码器从 DINOv2 换成 LingBot-Vision，训练数据从 300 万扩到 1.5 亿。结果是 block-mask 的 DIODE-Indoor（ViT-L）RMSE 从 DINOv2 初始化的 0.152 降到 0.094；相比 Depth 1.0 的 0.132，进一步降到 0.062。更关键的发现是：DINOv2 初始化在 2000 万数据后基本触顶，LingBot-Vision 初始化则继续爬升，起点优势会随数据放大，而不是被冲淡。
新浪财经产业侧已经动起来了
LingBot-Depth 2.0 已通过奥比中光深度视觉实验室的专业认证；奥比中光把它集成进新一代 EGO-RGBD 无本体数采设备并发布了 SDK，双方还计划在年内推出集成商业版的一体化相机。注意这里是 “计划”，不是已经上市的产品。
上海证券报·中国证券网看这条消息时，建议捏住三个口径
- “首个” 是厂商与媒体口径，目前没有第三方机构做裁定；“空间原生” 也是官方定义的概念，不是通用评测项。
- 发布时间是 7 月 7 日，不是 “今天”。不少转载保留了原文的 “刚刚”，容易误读为突发新闻。
- “开源” 指主干权重，不等于训练配方全开放；Depth 2.0 是落地模型，商业版走的是相机集成路线。
放回具身智能的语境里，这次发布的真正信号是评价体系在换挡：从 “认得出多少类别” 转向 “扛不扛得住一次真实的抓取”。地基已经开源，能不能盖起稳定的作业能力，还要看各家在真实场景里的数据与控制闭环。
新浪财经
【相关 FAQ】
问题 1：开源的这套空间原生具身视觉基模，到底放出了什么？
回答 1：放出了空间原生具身视觉基模的四个规格主干权重（ViT-g/L/B/S）和推理代码，权重许可为 Apache 2.0；但训练头、优化器状态和边界目标生成组件没有放出，所以拿到的是 “能用的具身视觉基模”，不是完整训练复现包。
问题 2：空间原生具身视觉基模和 DINOv3 比，强在哪、弱在哪？
回答 2：这个空间原生具身视觉基模强在稠密空间任务，NYUv2 深度 RMSE 0.296 优于 7B DINOv3 的 0.309，且只用了约十分之一数据；弱在语义分类，ImageNet 线性探测 86.32 低于 DINOv3 的 87.87，KITTI 上也落后于 7B 版本。
问题 3：这个具身视觉基模开源后能直接商用吗？
回答 3：权重层面可以，模型卡标注的是 Apache 2.0，商用限制较少；但开源的是具身视觉基模主干，你要自己接下游头并承担微调数据、商标与第三方数据的合规责任，代码仓库仍建议按 LICENSE 再核一遍。
问题 4：想在机器人上跑这个开源具身视觉基模，选哪一档？
回答 4：算力紧就选 ViT-S 或 ViT-B 的开源具身视觉基模，追求精度选 ViT-L（约 0.3B，NYUv2 0.310，已追平 7B DINOv3），只有在服务器侧做数据生产或离线标注才值得上 ViT-g。
【参考资料】
[2026-07-17]（WAIC 2026 | 16 项评测 12 项最优，奥比中光携手蚂蚁灵波，打造具身数据采集行业标杆）奥比中光
[2026-07-08]（奥比中光数采平台发布 联手蚂蚁灵波打造物理世界数据底座）上海证券报・中国证券网
[2026-07-07]（刚刚，首个空间原生的具身视觉基模开源！机器人更会看我们的世界了）量子位
[2026-07-07]（今天，「空间原生」时代正式到来！）新浪财经
[2026-07-07]（奥比中光发布数据采集平台，联手蚂蚁灵波最新模型加速机器人场景落地）奥比中光
[2026-07-07]（Ant Open-Sources LingBot-Vision: 1.1B "Space-Native" Visual Foundation Model Powers Depth Perception Breakthrough With Orbbec Integration）Embodied Global
[2026-07-06]（Vision Pretraining for Dense Spatial Perception）arXiv
【免责声明】
本文基于公开报道、官方项目页、Hugging Face 模型卡与 arXiv 技术报告整理，仅作信息分享，不构成任何投资、采购或技术选型建议。“全球首个”“空间原生” 等表述引自发布方与媒体口径，未经独立第三方评测验证；文中 benchmark 数字来自论文与官方页面，实际部署效果会受传感器型号、算力、场景数据与后处理影响。模型许可与商用条款请以仓库 LICENSE 及官方最新公告为准。