蚂蚁灵波把空间感知模型的训练数据从300万拉到1.5亿，同步放出视觉基座LingBot-Vision，剑指透明反光等长期难啃的场景。

蚂蚁灵波 LingBot-Depth 2.0：把机器人视觉的训练数据干到 1.5 亿

7 月 7 日，蚂蚁集团旗下具身智能公司灵波科技把 LingBot-Depth 更新到了 2.0 版本。这次升级的核心变量只有一个——训练数据从上一代的 300 万飙到了 1.5 亿，直接翻了 50 倍。同时，团队还把 2.0 背后的视觉基座模型 LingBot-Vision 单独拎了出来，跟奥比中光的深度相机做产业侧联动。

如果说去年那版 LingBot-Depth 更像一次技术验证（首个不换硬件就能搞定透明/反光材质深度感知的开源模型），那 2.0 显然是奔着落地去的。

先说结论：这不是简单的版本号迭代

做过机器人视觉的都知道，深度估计这个活儿有几个老大难：

边缘糊：物体边界一模糊，抓取规划就跟着抖
小物体丢失：桌面上一根数据线、一颗螺丝，深度图直接吃掉
远距离塌陷：超过 2 米，误差呈非线性增长
材质敏感：透明的玻璃、反光的不锈钢、吸光的黑色织物，三大杀手

LingBot-Depth 2.0 这次官方给出的升级方向，恰好就是这四条：边缘清晰度、细小物体识别、远距离深度估计、复杂场景鲁棒性。看起来是四个点，本质上都是一件事——用更大规模、更多样性的数据把模型的分布外泛化能力顶上去。

1.5 亿数据是什么概念

对比一下就能感觉到量级差异。学术圈里最常用的 NYU Depth v2 大概 40 万帧，KITTI 的深度基准也就几万到几十万级别，就算是 Depth Anything V2 那种走过大规模路线的开源方案，标注 + 伪标签加起来也在千万量级。

1.5 亿，是把 RGB-D 相机、结构光、ToF、双目、单目伪标签这些能拿到的数据源全都塞进去的结果。灵波背后有蚂蚁的场景（金融网点、无人配送、园区服务机器人），也有奥比中光这种深度相机头部厂商的传感器数据积累，这个体量在中国具身智能圈里目前几乎没有第二家能拿得出来。

但数据量不是万能的。300 万到 1.5 亿这段，边际收益能不能撑得住训练成本，是另一个问题。从官方放出的对比来看，至少在四类硬骨头场景下，2.0 相比 1.0 有肉眼可见的提升——尤其是细小物体，之前的深度图上一根充电线可能整条丢失，现在能画出连续的曲面。

LingBot-Vision：从「看懂」到「看准」

这次和 Depth 2.0 一起发布的 LingBot-Vision，是这套系统的视觉基座。灵波给这条链路的定义是「从看懂到看准」——

看懂：语义理解、物体识别、场景分类，这是 Vision 层干的事
看准：几何精度、距离、尺寸、姿态，这是 Depth 层的活

两者拆开看都不新鲜，但深度模型和视觉基座共享同一套 backbone，意味着做上层任务（比如抓取、导航、避障）时不用再各拉一套特征。对机器人这种算力受限、延迟敏感的场景，这个架构上的整合价值不小。

对比一下海外的路线：

| 方案 | 侧重 | 特点 | |---|---|---| | Depth Anything V2 | 单目深度 | 通用性强，但对透明/反光弱 | | Meta DINOv2 | 视觉自监督 | 语义强，几何不专门优化 | | Google RT-2/RT-X | 端到端 VLA | 直接出动作，深度隐式 | | LingBot-Depth 2.0 + Vision | 深度 + 视觉解耦 | 模块化，工业落地友好 |

蚂蚁选的这条路，说白了是不做端到端的黑盒，而是把感知层做透、做模块化。这个思路在做工厂、仓储、服务这种确定性场景的机器人时，比端到端更容易调试和交付。

跟奥比中光的联动值得留意

奥比中光是国内 3D 视觉传感器的头部玩家，扫地机器人、人形机器人上很多都用他们的模组。这次和灵波的合作，本质上是「算法 + 硬件」的绑定——传感器出图，模型出深度，做成一个可以直接塞进机器人主控里的方案。

这种打包对下游机器人厂商的吸引力其实很大。之前很多人形和轮式机器人团队自己搞感知栈，光是把 RealSense 或者 Orbbec 的原始点云清洗成能用的深度图，就要耗掉一个小算法团队几个月。现在有个开箱即用的方案，起码在 demo 阶段能省不少事。

一点判断

具身智能这波热潮，光看模型 paper 是不够的，真正决定落地节奏的是三件事：数据、传感器、部署链路。

LingBot-Depth 2.0 这次升级，数据这一项蚂蚁靠体量堆上来了，传感器有奥比中光配合，部署上开源 + 模块化的策略也比端到端友好。从产业角度看，这可能是国内今年具身智能感知层里最有产业价值的一次更新之一。

但也得泼点冷水：

1.5 亿数据的分布质量没披露太多细节，室内场景可能过拟合
视觉基座 LingBot-Vision 目前没看到和主流 VLM（比如 Qwen-VL、InternVL）的对齐评测
端到端 VLA 路线在海外快速推进，感知-规划分层这条路的长期护城河有多深，还得看

对开发者来说，如果你在做机械臂抓取、AGV 避障、或者人形机器人上层规划，值得把 LingBot-Depth 2.0 拉下来跑一下，尤其是家里/工厂里那些以前深度相机不好使的场景——玻璃门、镜面、黑色塑料件。这几类以前是要靠工程 tricks 硬扛的，现在有可能直接被模型解掉。

顺便一提

LingBot 这类偏具身智能的专用模型目前还没进入 API 聚合层，但如果你在同一个项目里既要跑感知模型，又要用 GPT、Claude、Gemini、DeepSeek 做上层规划或者对话，OpenAI Hub 那边一个 Key 直连所有主流模型、兼容 OpenAI 格式，可以省掉在多个厂商 SDK 之间切换的麻烦。国内直连，对做机器人本地部署 + 云端推理混合架构的团队还挺实用。