蚂蚁 Robbyant 开源机器人视觉模型

AbbreviationsEast776 · reddit · 2026-07-07

蚂蚁集团旗下具身智能公司 Robbyant 以 Apache-2.0 协议开源了 LingBot-Vision 视觉骨干网络家族(参数量 21M 到 1.1B,共 4 个骨干),定位"为所有机器人打造一个大脑"。作为对比,Meta 的 DINOv3 采用自定义协议并设访问门槛。

官方自测中,旗舰 ViT-g 在 NYUv2 深度估计上 RMSE 为 0.296,优于 DINOv3-7B 的 0.309;蒸馏版 ViT-L 以约 1/23 的参数量基本追平 DINOv3-7B。ImageNet 线性探针为 86.32(自测、暂无独立复现),落后于 DINOv3-7B 的 87.87,在 KITTI 上也偏弱。注意加载需使用其自定义库 lbotvisioninfer,而非标准的 transformers 或 timm。