MarkTechPost · 08.07.2026 ·Машинное обучение

Ant Group представила LingBot-Vision: компактную модель для пространственного восприятия

Ant Group открыла исходный код LingBot-Vision — семейства моделей компьютерного зрения с 1 миллиардом параметров, ориентированных на плотное пространственное восприятие. Инновационный метод обучения с использованием маскированного моделирования границ (Masked Boundary Modeling) позволяет модели эффективно распознавать контуры объектов, достигая производительности, сопоставимой с гораздо более крупными архитектурами, и выступая фундаментом для специализированных систем оценки глубины.

В основе архитектуры лежит подход, при котором границы объектов становятся естественным обучающим сигналом. Это позволяет модели лучше справляться с задачами, требующими высокой точности локализации, такими как сегментация и оценка глубины сцены. Использование 1-миллиардного бэкбоуна делает решение пригодным для развертывания в условиях ограниченных вычислительных ресурсов без потери качества распознавания.

Данная разработка является развитием линейки LingBot и служит базой для обновленной системы LingBot-Depth 2.0. Открытый доступ к весам модели позволяет исследователям и разработчикам интегрировать продвинутые алгоритмы пространственного анализа в свои проекты, связанные с робототехникой, автономными системами и дополненной реальностью, где критически важна интерпретация геометрии окружающего пространства.

Ключевые факты

Модель LingBot-Vision содержит 1 миллиард параметров, обеспечивая высокую эффективность при компактном размере.
Основной метод обучения — Masked Boundary Modeling, который делает границы объектов ключевым обучающим сигналом.
Решение демонстрирует результаты на уровне или выше более крупных моделей в задачах плотного пространственного восприятия.
Модель служит фундаментом для системы LingBot-Depth 2.0, предназначенной для высокоточной оценки глубины сцены.
Разработка Ant Group опубликована в открытом доступе для широкого использования в индустрии и научных исследованиях.

Источник: MarkTechPost

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новая VLA-модель для робототехники с поддержкой калибровки «на лету» Исследователи представили модель Vision-Language-Action (VLA), способную адаптироваться к изменению положения камер без предварительной калибровки. В отличие от существующих решений, требующих жесткой привязки внешних параметров, новая архитектура обеспечивает устойчивость к перемещению или переустановке камер в реальных условиях эксплуатации, что значительно упрощает развертывание робототехнических систем в динамических сценариях. Hacker News · Модели и релизы Выпущена JoyAI-VL: открытая модель для взаимодействия в реальном времени Представлена JoyAI-VL — первая открытая мультимодальная модель, ориентированная на обработку визуальных данных в режиме реального времени. Разработка призвана обеспечить низкую задержку при анализе видеопотока и взаимодействии с пользователем, что является ключевым фактором для создания отзывчивых ИИ-систем. Модель доступна для ознакомления на платформе Hugging Face и открывает новые возможности для интеграции визуального восприятия в интерактивные приложения. arXiv · Исследования и наука G3VLA: новый подход к пространственному восприятию в робототехнике Исследователи представили архитектуру G3VLA, которая внедряет геометрические индуктивные смещения в модели Vision-Language-Action (VLA). В отличие от стандартных моделей, привязанных к 2D-координатам изображений, G3VLA использует калиброванную геометрию камер робота. Это позволяет системе эффективно объединять данные с нескольких камер, обеспечивая точное понимание 3D-пространства, необходимое для выполнения сложных манипуляционных задач в реальных условиях. Hacker News · Модели и релизы Новая модель для реального времени взаимодействия с изображениями и текстом Исследователи представили модель JoyAI-VL-Interaction, предназначенную для взаимодействия с изображениями и текстом в реальном времени. Она способна обрабатывать визуальные и текстовые данные одновременно, что открывает возможности для новых приложений в области компьютерного зрения и обработки естественного языка. arXiv · Машинное обучение FurnitureVLA: обучение роботов сложной сборке мебели с помощью VLA-моделей Исследователи представили FurnitureVLA — первую систематическую модель Vision-Language-Action (VLA), предназначенную для решения задач сборки полноразмерной мебели двумя манипуляторами. В отличие от существующих решений, сфокусированных на простых объектах или одной руке, система обучается на сложных последовательностях действий, используя масштабируемый конвейер генерации данных в симуляции и VR-телеуправление для сбора экспертных демонстраций. MarkTechPost · Машинное обучение Liquid AI представила компактные модели для многоязычного поиска Компания Liquid AI выпустила новые модели LFM2.5-Embedding-350M и LFM2.5-ColBERT-350M, предназначенные для эффективного семантического поиска. Решения базируются на архитектуре с 350 миллионами параметров и оптимизированы для работы на периферийных устройствах, что позволяет использовать их локально без обращения к облачным серверам. Simon Willison's Weblog · Модели и релизы Выпущена открытая LLM GLM-5.2 с 753 миллиардами параметров Китайская лаборатория Z.ai представила модель GLM-5.2, которая на текущий момент претендует на звание самой мощной текстовой языковой модели с открытыми весами. Релиз состоялся спустя несколько дней после ограниченного доступа для подписчиков, и теперь веса модели доступны под лицензией MIT. Архитектура новинки основана на принципе Mixture of Experts (MoE), что позволяет эффективно использовать ресурсы при колоссальном объеме параметров. MarkTechPost · Инференс и железо Baidu представила Unlimited OCR: 3B-модель с фиксированным потреблением памяти Baidu выпустила Unlimited OCR — специализированную MoE-модель с 3 млрд параметров, предназначенную для обработки многостраничных документов. Главная особенность архитектуры заключается в использовании механизма Reference Sliding Window Attention (R-SWA), который поддерживает постоянный размер KV-кэша. Это позволяет модели сохранять стабильную скорость работы и потребление памяти независимо от объема входных данных, значительно превосходя существующие аналоги. arXiv · Оценка и бенчмарки AnyGroundBench: новый стандарт оценки VLM в специализированных видеозадачах Исследователи представили AnyGroundBench — специализированный бенчмарк для оценки моделей компьютерного зрения (VLM) в задачах пространственно-временного поиска объектов на видео (STVG). В отличие от существующих тестов, сфокусированных на повседневных сценах, этот инструмент проверяет способность моделей работать с редкими визуальными концептами и сложными сценариями, критически важными для узкоспециализированных индустриальных применений. arXiv · Машинное обучение InSight: новый метод автономного обучения навыкам для VLA-моделей Исследователи представили InSight — фреймворк, позволяющий Vision-Language-Action (VLA) моделям самостоятельно осваивать новые манипуляционные навыки без необходимости в дополнительных демонстрациях. Система делает модели управляемыми на уровне элементарных действий, что позволяет агентам комбинировать базовые движения для выполнения сложных задач, выходящих за рамки их исходного обучающего набора данных.

← Все материалы