编辑｜陈陈 机器人正在学习一种曾经只属于人类的能力：记住自己走过的世界。 第一次进入陌生房间时，人不会把看到的一切逐帧存储下来。我们会记住关键结构：门在哪里，桌子在哪里，刚才经过的位置，以及自己现在处于什么位置。 正是这种选择性记忆，支撑了人类在复杂环境中的持续行动。对于机器人来说，这也是走向真实世界必须解决的问题。 今年 4 月， 蚂蚁灵波开源的流式 3D 重建基础模型 LingBot-Map ，正是在「机器人如何记住空间」这一核心问题上，探索出了一条新的技术路线。无需复杂硬件， 仅靠一颗普通 RGB 摄像头，就能让机器人在视频采集过程中，实时完成相机位姿估计与场景三维结构重建 ，从而填补了实时空间感知领域的关键技术空白。 在穿越多房间的长序列中，面对环境剧变与大幅视角变换，LingBot-Map 依然能表现出极强的鲁棒性 截至目前，LingBot-Map 官方 GitHub 项目已获得 16.9K Stars、1.9K Forks ，并多次登上 GitHub Trending，成为 3D 视觉领域备受关注的开源项目之一。 项目地址：https://github.com/Robbyant/lingbot-map 论文地址：https://arxiv.org/pdf/2604.14141 论文主页：https://technology.robbyant.com/lingbot-map Hugging Face 链接：https://huggingface.co/robbyant/lingbot-map ModelScope 链接：https://www.modelscope.cn/models/Robbyant/lingbot-map 令人惊喜的是，现在这项研究迎来新的认可。 其论文《Geometric Context Transformer for Streaming 3D Reconstruction》 入选 ECCV 2026 Oral，将于会议期间进行口头报告 。在昨天 ECCV 的开幕式上，机器之心前方编辑还在 Award Candidates 的名单中看到了这项工作。 从 GitHub 社区的高度关注，到顶级视觉会议的认可，LingBot-Map 完成了从开发者生态到学术界的双重验证。 更重要的是，它背后反映出一个变化：机器人空间感知的竞争，正在从看见世界，走向记住世界。 顶会认可之前，LingBot-Map 已完成开源社区验证 在入选 ECCV Oral 之前，LingBot-Map 已经在开源社区收获了一大波关注， 开发者围绕这个项目进行了各种二次开发 。 有人快速完成复现验证，有人把它搬到不同硬件环境中尝试运行，也有开发者开始探索新的空间数据采集方式。 每个人的玩法都很有趣，这种来自社区的主动探索，往往比单纯的 Stars 数量更能说明它的生命力。 让更多人能够快速体验：从部署到可视化 对于许多研究项目，论文公开并不意味着普通开发者能够真正使用。环境配置、依赖安装、结果展示等环节，往往成为从论文 Demo 到实际体验之间的距离。 LingBot-Map 开源后不久，就有开发者制作了可在 Apple Silicon Mac 上本地运行的原生桌面前端和 3D 点云查看器，让用户能够更加直观地查看模型生成的空间重建结果。