蚂蚁集团发布LingBot-Vision自监督视觉骨干

Simple_Response8041 · reddit · 2026-07-07

蚂蚁集团发布LingBot-Vision，基于DINO族的自监督视觉骨干，提供ViT-S/B/L/g四种尺寸（21M至1.1B），Apache-2.0开源。核心创新是边界驱动掩码：教师网络预测物体边界位置并将这些token强制纳入学生网络的掩码，使其无法靠复制平坦上下文完成重建；全程无标签、无文本监督、无外部边缘检测器。在NYUv2深度估计上，1.1B旗舰版以0.296 RMSE居全对比最优（DINOv3-7B为0.309），0.3B的ViT-L达0.310、接近7B且参数少约23倍。弱项是旗舰与L尺寸在ImageNet分类上落后于DINOv3。仓库附带小型加载器，输出冻结骨干用于特征提取，重点在深度/分割/追踪等密集特征而非对话。