LingBot-Vision, 작은 시각 모델로 깊이 추정 비용을 낮출 가능성
Ant Group은 LingBot-Vision이라는 오픈소스 시각 백본을 공개했다. 는 로 제공되며, 크기는 21M ViT-S, 86M ViT-B, 0.3B ViT-L, 1.1B ViT-g 네 가지다. 이 모델은 DINO 계열 방식으로 이미지에서 스스로 특징을 배우며, 물체 경계로 보이는 부분을 더 어렵게 가려서 학습하는 마스킹 방식을 쓴다.
학습에는 라벨, 텍스트 설명, 외부 경계 탐지기가 쓰이지 않았다. NYUv2 비교에서 1.1B 모델은 RMSE 0.296을 기록해 DINOv3-7B의 0.309와 V-JEPA 2.1 2B의 0.307보다 낮았다. 0.3B ViT-L도 RMSE 0.310으로 DINOv3-7B의 0.309와 거의 같았고, 파라미터 수는 약 23분의 1이다.
ViT-L은 fp16 기준 약 0.6GB이며, 제공되는 로더는 채팅이 아니라 특징 추출, , 분할, 추적 같은 시각 작업용 백본을 불러오는 데 초점이 있다. 다만 et 분류에서는 큰 모델과 ViT-L이 DINOv3보다 뒤처진다.
핵심 포인트
- Ant Group이 LingBot-Vision 시각 백본 4종을 로 공개했다.
- 0.3B ViT-L은 NYUv2 에서 DINOv3-7B와 거의 같은 RMSE를 보였다.
- 1.1B ViT-g는 비교 대상 중 가장 낮은 NYUv2 RMSE 0.296을 기록했다.
- ViT-L은 fp16 기준 약 0.6GB라 시각 에이전트의 절감 후보가 될 수 있다.
- 목표는 채팅이 아니라 특징 추출, , 분할, 추적 같은 시각 기능이다.