蚂蚁集团这个LingBot-Vision有点东西，小参数量居然能硬刚DINOv3？

现在的视觉大模型（Vision Foundation Models）大多把“边界”当成任务输出，即先预训练再预测边缘。但他们反其道而行之，直接把“边界”做进了预训练逻辑里。他们搞了一套自监督机制，让模型在训练时主动去“啃”那些边界Token，强制让学生模型去学习最难重建的部分。

最让我觉得离谱（也是厉害）的是数据效率：他们用1.6亿张图片练出的1.1B模型，在NYUv2深度估计任务上的表现，居然直接把7B规模的DINOv3给超了。甚至蒸馏出来的0.3B小模型，性能竟然能跟7B的模型打平。这说明什么？说明单纯堆参数、堆数据规模确实不是唯一出路，针对空间感知这种特定任务，如果能把训练的“重心”放对地方，小模型也能有大能量。

对于做机器人视觉或者空间感知的朋友来说，这套模型非常值得关注。毕竟在移动端或边缘设备上，谁能用更小的参数实现更精准的深度感知，谁就是王道。

大家可以去HuggingFace看看权重，模型结构虽然是ViT，但这种边界驱动的训练思路真的值得复现一下。

链接都在这了：
论文：https://github.com/robbyant/lingbot-vision/blob/main/paper.pdf
权重：https://huggingface.co/collections/robbyant/lingbot-vision