LingBot-Vision d'Ant Group redéfinit l'IA spatiale avec des modèles axés sur les limites
La branche IA incarnée d'Ant Group, Robbyant, vient de publier en open source LingBot-Vision, une famille de Vision Transformers auto-supervisés conçus pour privilégier la structure spatiale dense plutôt que les étiquettes sémantiques. Le modèle phare ViT-giant/16 atteint environ 1,1 milliard de paramètres et est disponible sous licence Apache-2.0 sur Hugging Face en quatre versions : ViT-giant, ViT-large, ViT-base et ViT-small, accompagnées d'un rapport technique et d'un code d'inférence.
L'importance des limites en vision robotique
La plupart des modèles fondamentaux de vision sont formés pour ignorer les indices spatiaux fins, se concentrant sur le « quoi » dans une image. LingBot-Vision inverse la tendance en exploitant les limites des objets, les contours et les discontinuités de profondeur comme signal d'apprentissage initial. Le résultat est une architecture qui rivalise ou surpasse des modèles jusqu'à sept fois plus grands sur des tâches spatiales denses, y compris le DINOv3 à 7 milliards de paramètres, tout en utilisant bien moins de données et de calculs.
Fonctionnement du masquage des limites
L'équipe de Robbyant introduit le masquage des limites, une variante du cadre d'auto-distillation DINO/iBOT. Un modèle enseignant génère des cibles de limites en ligne, et l'étudiant doit les reconstituer à partir de patches d'images masqués. De manière cruciale, les tokens porteurs de limites sont obligatoirement inclus dans l'ensemble masqué et orientés par la géométrie : les tokens de limite reçoivent une cible géométrique explicite, tandis que les tokens intérieurs conservent l'objectif sémantique standard. Les limites sont représentées sous forme de champs de segments linéaires denses, discrétisés en 32 intervalles pour un entraînement stable.
Réduction d'échelle sans perte de précision
Le modèle phare ViT-g/16 est distillé en versions plus petites : ViT-L (300M), ViT-B (86M) et ViT-S, qui conservent leur avance en prédiction dense au sein de leur catégorie. Le corpus d'entraînement, composé d'environ 161 millions d'images, est dix fois moins volumineux que celui de DINOv3 et utilise moins d'un tiers de ses échantillons, tout en offrant des performances comparables.
Enjeux et perspectives
LingBot-Vision marque un tournant vers des modèles qui comprennent intrinsèquement les relations spatiales, une condition essentielle pour les robots et systèmes incarnés. En faisant des limites des éléments prioritaires, Robbyant réduit l'écart de calcul entre les géants de la recherche et les systèmes déployables, accélérant potentiellement les applications robotiques du monde réel où la perception spatiale précise est indispensable.
Source : MarkTechPost. Synthèse éditoriale assistée par IA — TechnoExpress.