Ant Group이 DINO 패밀리 기반 비전 백본 'LingBot-Vision'을 공개했어요. ViT-L 모델은 0.3B 파라미터로 NYUv2 깊이 추정에서 DINOv3-7B와 유사한 성능을 보여줘요. 이 모델은 객체 경계를 예측하는 방식으로 마스크를 적용하여 평면 컨텍스트 복제를 방지해요. 연구팀은 161M 이미지로 학습했으며, 이는 DINOv3의 학습 샘플 수보다 적어요.
LingBot-Vision은 1.1B, 0.3B, 86M, 21M 파라미터의 4가지 크기로 제공되며 Apache-2.0 라이선스로 공개됐어요. 1.1B 모델은 NYUv2 RMSE에서 DINOv3-7B보다 우수한 성능을 보여줬어요. ViT-L 모델은 fp16에서 약 0.6GB의 크기를 차지해요.
이 모델은 이미지넷 분류 성능은 DINOv3보다 뒤쳐지지만, KITTI 데이터셋에서는 더 큰 모델이 더 나은 성능을 보여줘요. 연구팀은 표준 DINOv3 프로토콜을 사용하여 평가했으며, 독립적인 검증을 권장해요. Ling-1T 스레드 경험을 고려할 때, 결과는 검증될 때까지 신뢰할 수 없는 것으로 간주돼요.
LingBot-Vision은 특징 추출을 위한 작은 로더를 제공하며, 깊이/세그멘테이션 프로브, 추적과 같은 밀집 특징을 활용하는 데 중점을 둬요.