阿里巴巴：LingBot-Vision 密集空间感知预训练 10亿参数AI看清物理空间

LingBot-Vision 视觉预训练模型，其核心理念是通过边界引导的掩码建模来提升计算机对密集空间结构的感知能力。研究团队认为，传统的视觉大模型往往过于关注语义的一致性，而忽视了对物理世界至关重要的几何边界和形状细节。为了解决这一问题，该方法利用自监督学习从原始图像中自动提取子像素级的边界场，并强制模型重点重构这些包含丰富信息量的边界区域。实验证明，该模型在深度估计、物体分割及深度补全（LingBot-Depth 2.0）等任务中表现卓越，性能甚至超越了参数量大其数倍的现有顶尖模型。这种以边界为中心的预训练原则，为构建具备物理常识和行动能力的具身人工智能奠定了坚实基础。