Robbyant, oddział zajmujący się sztuczną inteligencją wbudowaną w grupie Ant Group, udostępnił otwarty dostęp do LingBot-Vision, rodziny samoučących się Vision Transformerów przeznaczonych do gęstej percepcji przestrzennej. Model dostępny jest w czterech wariantach - ViT-giant, ViT-large, ViT-base i ViT-small - na licencji Apache-2.0 na platformie Hugging Face wraz z raportem technicznym i kodem do inferencji.
Wiekszość modeli widzenia uczy się niezmienniczości semantycznej, skupiając się na tym co znajduje się na obrazie, jednocześnie odrzucając dokładną strukturę przestrzenną taką jak granice obiektów, kontury czy przerwy w głębi. Właśnie tego potrzebują roboty i inne systemy fizycznie osadzone w świecie. LingBot-Vision odwraca tę hierarchię - traktuje granice jako podstawowy sygnał pretrainingowy zamiast dodatkowego wyjścia. Flagowy model ViT-g/16 zawiera około 1,1 miliarda parametrów i trenuje się nowym celem zwanym masked boundary modeling na wyselekcjonowanym zbiorze około 161 milionów obrazów wybranych z puli 2 miliardów, bez etykiet człowieka, bez zewnętrznych detektorów krawędzi i bez pretrenowanego backbone'u.
Osiągnięcie jest szczególnie imponujące biorąc pod uwagę efektywność treningu. LingBot-Vision osiąga wydajność dorównującą lub przewyższającą modele siedmiokrotnie większe, w tym DINOv3 o 7 miliardach parametrów, podczas gdy zestaw treningowy jest o rząd wielkości mniejszy niż LVD-1689M użyty przez DINOv3, a model zużywa mniej niż trzecią część próbek treningowych. To oznacza znaczący postęp dla robotyki i systemów percepcji przestrzennej wymagających rozumienia precyzyjnych granic i kontekstu geometrycznego.