金磊 发自 凹非寺
量子位 | 公众号 QbitAI
刚刚，机器人的视觉，又达到了一个新的Level。
因为现在，一个新模型已经实现了无尽流：看∞帧视频可以稳定实时3D重建！
来，感受一下这个feel：
视频地址：
https://mp.weixin.qq.com/s/h3UIMZn46LA2m570p9pKkw
或许有小伙伴要问了，这有啥用啊？
简单来说啊，若是这个模型放到扫地机器人身上，那它就能边打扫边认清家里的3D结构；若是放到自动驾驶身上，那就是边开车边算清路面情况。
有一种火影里宁次白眼的那种味道了。
（注：白眼的能力是360°无死角透视+极远的洞察力+看穿查克拉流动；对应这个模型的全方位空间感知、长序列不丢失细节的特点。）
△图源由AI生成
这，就是蚂蚁灵波最新开源的LingBot-Map，一个专为纯自回归的流式3D重建而打造的基础模型。
不同于此前具身智能视觉的3D重建，这一次，LingBot-Map做到了快、准、狠——
打破了“既要实时、又要记路、还要省显存”的不可能三角。
这种Level的流式3D重建，并不简单
在聊“流式3D重建为什么难”这个话题之前，咱们且需要先分清两个概念：普通3D重建和流式3D重建。
因为它俩可以说是完全两个维度的技术。
先来看传统离线3D重建（离线）。
它的本质用一种微妙的形容，大概就是“事后诸葛亮”，因为必须先拍完完整视频、存储所有帧画面，再集中算力全局建模。
这样做的缺点很明显就是速度慢、耗显存、无法实时交互，应用方面也能用在影视建模、数字孪生等静态场景，根本没法给需要实时决策的机器人、自动驾驶用。
但流式3D重建（在线）就不一样了，它是真能满足具身智能的核心刚需：
来一帧算一帧，边拍边建模、边感知边决策，和人类边走边认路的视觉逻辑高度一致。
不过看似简单，但在实现的过程中，业内公认的有三座大山挡在面前。
△图源由AI生成
第一，记太多就爆显存。
如果模型硬存所有历史帧，几千帧过后显存直接拉满，消费级显卡根本跑不动，工业设备也扛不住长时运行。
第二，记太少就忘光光。
若是只缓存最近几帧，模型会出现灾难性遗忘，长时间运行后轨迹疯狂漂移、重建场景扭曲变形，相当于人走久了忘了自己在哪。
第三，精度速度不可兼得。
要么建模精准但推理慢到卡顿，要么实时性够了但画面糊成马赛克，始终找不到平衡点。
更关键的是，之前绝大多数的流式方案，不是依赖测试时优化，就是用未来帧信息做全局校准，亦或者加入人工设计的关键帧规则，并非端到端的纯推理。
而LingBot-Map走的是纯自回归这条更难的路：严格遵循因果律，仅依赖历史帧信息推理当前帧，无任何后处理、无未来帧依赖、无人工优化规则，所有能力全靠模型端到端学习。
也正因为有了纯自回归的约束，相当于让蒙眼的人仅凭过往记忆走迷宫，既要求走得快、又要求记准路、还不能多耗脑力……
难，是真的难。
但蚂蚁灵波这一次，还真就把这个硬骨头给啃下来了。
像人一样选择性记忆
LingBot-Map背后技术的灵感，来源于人。
就好比咱们在大城市里逛街，却能做到不迷路，不是因为我们的大脑像录像机一样全程“录制”，关键在于大脑执行的是选择性记忆这个操作。
说白了，就是只记住有效、关键的帧。
LingBot-Map的核心，正是完美复刻了这种机制，名曰几何上下文注意力（Geometric Context Attention，GCA）。
更具体而言，LingBot-Map通过GCA，对记忆进行了非常精妙的分层结构化管理。
首先是锚点（Anchor），它的作用让机器人记住“我从哪来”。
任何3D重建都需要一个绝对的坐标系和尺度基准，就好比人类进入陌生房间，会下意识记住门口位置当参照系，防止迷路。
LingBot-Map的锚点模块，就是起到这样的一个作用。
它会锁定初始几帧画面作为基准，固定全局坐标和尺度，如此一来，就解决了纯自回归模型容易出现的尺度模糊、坐标漂移等问题，给整个重建过程定好原点。
其次是位姿参考窗口（Pose-reference Window），用来记住“我身边有什么”。
因为光有起点是不够的，要想走得稳，还得看清脚下的路。
于是团队便在LingBot-Map里设置了位姿参考窗口，它只保留最近的k帧的完整高维特征。
这部分记忆虽然是短期的，但信息极其丰富密集，这样就可以确保模型能够精准地捕捉局部的几何细节，让当前帧能够丝滑地与前几帧拼接在一起，让每一步都踩得极准。
最后就是轨迹记忆（Trajectory Memory），起到记住“我走过的路”的作用。
这也是LingBot-Map中非常关键的一个步骤。
对于那些既不是起点、也不在眼前，属于很久以前的中间历史画面，模型不再存储它们庞大具体的图像像素细节。
取而代之的是，它将这些历史帧的宏大信息，极致压缩成了区区6个极简的Token（包含相机、锚点和寄存器 Token），并打上时间戳（位置编码）。
对比传统因果注意力，LingBot-Map的单帧信息增长量直接降低80倍，哪怕处理万帧长视频，显存消耗也几乎恒定。
三大模块协同发力，便是LingBot-Map打破不可能三角的关键原因了。
那么这套打法效果又如何呢？
实测拿下新SOTA
从论文中呈现的实验结果来看，LingBot-Map已经在多项权威基准测试中，全面碾压其它流式模型，稳坐SOTA之位。
首先是长序列稳定性。
在10000+帧的超长视频序列测试中，模型全程保持稳定重建质量，没有出现任何明显的轨迹漂移。要知道，同类纯自回归模型往往几百帧就开始扭曲，万帧稳定的表现，直接刷新了行业纪录。
其次是速度与精度双突破。
在518×378的主流分辨率下，推理速度达到20FPS，比同类流式方法基线快了近一倍，完全满足机器人、自动驾驶的实时性需求。
在Oxford Spires、ETH3D、Tanks & Temples等权威数据集测试中，轨迹误差降低约77%，3D点云建模精度、全局一致性远超所有流式竞品，甚至比部分离线优化模型表现更优。
除此之外，模型运行显存仅需13.28GB，普通消费级显卡即可流畅部署，彻底告别对高端专业显卡的依赖。
对比同类方案动辄30GB+的显存需求，LingBot-Map实现了“技术顶尖、落地亲民”，让流式3D重建具备了规模化商用的基础。
而且效率测试的数据更加直观。
对比全历史帧缓存方案，LingBot-Map用64帧窗口设计，将推理速度从3.12FPS提升至19.95FPS，显存从36.06GB压缩至13.28GB，速度提升6倍、显存降低63%，同时精度反而更高，印证了GCA记忆机制的优越性。
在看完LingBot-Map背后的技术和展现的效果之后，还有一个话题值得聊一聊：
LingBot-Map的开源绝不是为了单点刷榜、秀肌肉。
补齐另一块具身智能关键拼图
若是大家长期关注蚂蚁灵波，就不难发现它在下一盘大棋。
仅仅在今年1月，蚂蚁灵波便已经陆续开源了多款模型：
从感知世界的LingBot-Depth，到理解物理规律的LingBot-World，再到控制身体的LingBot-VLA和全球首个具身世界模型LingBot-VA。
而今天LingBot-Map的开源，则补齐了“边走边记、理解并重建连续真实三维空间”的关键拼图。
这就意味着蚂蚁灵波正式构建了“感知-建模-模拟-控制”全链路具身智能技术栈，从看懂世界、建模世界，到理解世界、操控身体，形成了完整的技术闭环。
此举对全产业落地来说，亦是有着重要的价值。举三个例便一目了然了：
- 机器人：仓库巡检、家庭服务，机器人不再需要昂贵的激光雷达，单靠摄像头就能边走边建图，真正实现低成本、大规模部署。
- AR/VR：戴上眼镜，虚拟物体可以零延迟、不漂移地叠加在真实桌面上，虚实融合的体验将被拉满。
- 自动驾驶/无人机：城市级大场景的实时建模成为可能，为纯视觉的自动驾驶方案提供了更强大的时空理解能力。
因此，综上所述，LingBot-Map的出现，可以说是机器理解真实物理世界迈出的关键一步。
与此同时，蚂蚁灵波的持续开源，也让我们清晰地看到，具身智能的规模化落地，正在以前所未有的速度向我们驶来。
Hugging Face：
https://huggingface.co/robbyant/lingbot-map
ModelScope：
https://www.modelscope.cn/models/Robbyant/lingbot-map
GitHub：
https://github.com/Robbyant/lingbot-map
Paper：
https://arxiv.org/abs/2604.14141
Homepage：
https://technology.robbyant.com/lingbot-map
热门跟贴