4 月 16 日，蚂蚁灵波科技正式开源流式三维重建模型 LingBot-Map。该模型仅依赖一颗普通 RGB 摄像头，在视频采集过程中可实时完成相机位姿估计与场景三维结构重建，推理速度达 20FPS，支持超过 10,000 帧的长视频连续推理，且长序列运行精度几乎无衰减。
LingBot-Map 采用纯自回归式建模架构，基于几何上下文 Transformer 设计，引入几何上下文注意力机制（GCA），在不依赖未来帧信息的前提下逐帧处理当前及历史画面，持续输出精准的相机位姿和深度信息。该模型在 Oxford Spires 数据集上的绝对轨迹误差（ATE）为 6.42 米，轨迹精度较此前最优流式方法提升 2.8 倍，优于离线方法 DA3（12.87 米）和 VIPE（10.52 米）。在 ETH3D 基准测试中，其重建 F1 分数达到 85.70，较第二名提升 8% 以上。
目前，LingBot-Map 的模型与代码已在 Hugging Face、ModelScope 及 GitHub 平台开放，相关论文同步发布于 arXiv（编号 arXiv:2604.14141）。该技术有望降低自动驾驶与具身智能系统对高成本传感器的依赖，推动空间感知能力向轻量化、低成本方向演进。
（图 / 文 网通社 言隐）
