エージェンシーインテリジェンスの分野において、ロボットが人間のように正確に物理空間を感知する方法は常に核心的な課題でした。最近、アントグループ傘下のエージェンシーインテリジェンス企業Robbyantは、LingBot-Visionモデルシリーズを正式にオープンソース化しました。この一連の自己教師付き視覚Transformerモデルは、画期的な「境界モデリング」のアイデアを通じて、密な空間認識タスクにおいて優れた性能を発揮し、パラメータ数が何倍も大きいトップモデルよりも多くの指標で上回っています。

現在の視覚ベースモデルは多くが「物体の識別」に注力しており、画面に何があるかを答えることを目的としていますが、ロボットが物理的に相互作用する際の最も重要な要素である「物体の境界・輪郭・深度情報」を無視しがちです。LingBot-Visionはこの優先順位を巧みに逆転させ、「境界」をネイティブな事前学習信号として採用しています。マスク境界モデリング技術を導入することで、モデルは画像の中で情報量が最も豊富な境界領域を特定し、これを訓練の中心とします。このアプローチにより、モデルは意味理解を学ぶだけでなく、同時に非常に強力な幾何学的空間認識能力も獲得しています。

image.png

性能面では、LingBot-VisionのエースモデルであるViT-g/16は11億パラメータしか持たず、NYU-Depth v2などの深度推定タスクで最優秀な結果を示しました。その性能は70億パラメータを持つDINOv3を越え、トレーニングに必要なデータセット規模も約三分之一にとどまっています。計算リソースが限られた実際の展開環境向けには、3億パラメータからさらに小さなサイズの蒸留バージョンも提供され、さまざまなハードウェア仕様でも高い密な予測性能を維持できます。

この技術の実用価値を直感的に示すために、研究チームは同時に深度補完システムLingBot-Depth2.0をアップグレードしました。テスト結果によると、このシステムは透明な物体など従来のセンシングの「盲点」を処理する際、精度が大幅に向上しています。データ量が増えるにつれて、LingBot-Visionの性能曲線は継続して改善され、従来モデルで見られるような飽和現象も見られません。これは、境界を核とした空間認識アーキテクチャが複雑な現実環境での処理において大きな潜在力を秘めていることをより強く証明しています。

現在、LingBot-VisionはHugging Faceプラットフォーム上でApache-2.0ライセンスによって完全にオープンソース化されており、giantからsmallまでの4つのサイズの重みと推論コードが含まれています。この技術が広まり続けるにつれて、開発者は低い演算コストでロボットにより鋭い物理的認識能力を付与でき、エージェンシーインテリジェンスがより正確なインタラクションの未来へと進むことになります。