蚂蚁灵波开源LingBot-Touch：532万参数让机器人有了触觉

Anthropic在深夜没有提前预告就放出了下一代旗舰Fable 5.2，直接跨进物理世界。这款模型全方位性能压过Opus 5.5，泛化能力也相当突出——碰到没见过的新任务，照样能上手。

徒手拼魔方、拧瓶盖、画机器人、装齿轮并测试齿合，Fable 5.2的成功率达到64.9%，在RoboDojo测试里把一众对手甩在身后，是GPT-6 Astra的两倍还多。

两个月前，GPT-6 Astra也展示过一手惊人操作：被极客接上双灵巧手之后，当场弹起了肖邦夜曲。

这么看，大模型是不是马上就要接管物理世界了？可就在同一份测评里，RoboDojo测试团队把这位「前任榜单状元」Astra装上真机，让它去插充电器和插试管。

问题在于它只有眼睛、没有触觉：插头已经顶歪卡死，它感觉不到任何阻力，机械臂照着视觉指令一路硬怼，当场把真机硬件撞坏。

研究员赶紧拉闸急停。33次真机测试下来，这两项任务一次都没成功，成功率是0%。

反差为什么这么大？拼魔方、画画这类活，靠「眼睛」看就够了；可手上干细活，光靠摄像头既来不及，也看不见。

杯子刚在指尖打滑，等摄像头拍到，早就摔碎了；拧瓶盖是拧动了还是手指在空转，镜头里看着一模一样，接触点还常被手指自己挡住。

汽车厂插线束这种活就是例子。缺了指尖那一下手感，奥迪坦言全行业自动化率至今还不到10%。

说到底，机器人今天缺的不是更好的眼睛，而是灵敏的「手感」。

蚂蚁灵波科技刚刚正式发布并开源通用触觉基座模型LingBot-Touch，补上的正是这块最关键的短板。

项目主页：https://technology.robbyant.com/lingbot-touch

技术报告：https://github.com/Robbyant/lingbot-touch/tree/main/paper

GitHub：https://github.com/Robbyant/lingbot-touch

Hugging Face：https://huggingface.co/collections/robbyant/lingbot-touch

魔搭社区：https://www.modelscope.cn/collections/Robbyant/LingBot-Touch

视触觉、磁触觉、压阻式三种不同的触觉信号，头一回被统一转换成动作模型拿来就能用的「通用触觉Token」。

机器人由此能练出一套「手感」，换只灵巧手也能接着用。

532万参数即插即用，26项精细操作全线暴涨。

真机上的触觉反馈，对时效要求极高。为了不跟视觉和动作模型抢算力，团队派出的是最轻量的Tiny版，参数只有532万。

接进三大主流动作模型后，参数量只多出0.13%到0.16%，几乎不添负担，灵巧手却立刻有了「分寸感」。

先说抓喷雾瓶喷水。塑料瓶身滑得很，光靠视觉，手一使劲食指就打滑脱手。

接上LingBot-Touch，指尖刚有一点滑动就能马上调整握姿，稳稳扣下扳机，成功率从42.50%升到87.50%。

挤牙膏更考验两只手配合。软管捏轻了挤不出来，捏重了又飙得到处都是。靠触觉Token帮忙，双臂能稳稳对准窄小的刷头，拇指还顺着管身阻力一点点加力，把牙膏精准挤在刷毛上。

开头让视觉大模型撞坏真机的插孔对准，换成更精细的拿钥匙开锁也一样拿下。指尖捏住小钥匙，顺着锁孔里微弱的碰撞阻力边试探边微调，对准后一把拧开挂锁。

最有意思的是盲摸麻将，规则很严，牌面只要让镜头看一眼就直接判零分。灵巧手全程不靠眼睛，指腹轻轻一按就摸出凹凸花纹，分进不同盘子，成功率翻倍冲到70%。

再比如拆两个叠放的软纸杯，手指一挡镜头就看不见了，捏重了杯子会扁，捏轻了又抽不出来。有触觉Token帮忙，双臂顺着指尖那点微弱的摩擦变化，轻轻一搓就把内层纸杯抽了出来。

日常细活之外，团队还用两款不同构型的灵巧手搭配四款主流动作模型，实测了26项真机任务和12项仿真操作，接入LingBot-Touch的组合全线领先：

三大动作模型都涨了分，T-Rex、π0.5和LingBot-VLA平均成功率分别提升23.18、21.81和24.81个百分点；

精细操作又稳又准，单页翻书达到91.25%，按压弹出SD卡升到92%，搬运软纸杯最高拿到100%满分；

12项仿真操作也高分通过，转盘子、转笔成功率都超过97%，纯视觉拿0分的端托盘平衡滚球也有67.7%。

团队攒下的真实触觉数据接近5000小时——确切说是4983小时、13.3亿帧，其中三分之二来自人戴手套采集。这些数据让灵巧手拿到手就能用。

触觉既然这么管用，通用大模型为什么还是难训？问题主要出在两处：传感器各说各话，真实数据又极度缺乏。

先看硬件。眼下主流的三类触觉传感器，底层原理完全不是一回事。

视触觉的做法是在指尖藏一个小相机，拍软胶的形变，极细微的接触都能看清，拧瓶盖这类活很合适；缺点是受帧率限制，反应不够快。

磁触觉靠软磁材料受力后改变磁场来感知，多方向力和滑动都擅长，拉拉链、插插头不在话下，但怕周围磁场干扰。

压阻式是材料受压后电阻发生变化，成本低，能铺满手指和手掌，代价是分辨率有限。

结果就是，同样压住杯壁，三类传感器记下来的是三种互不相通的「方言」，换一只手就得推倒重训。

更头疼的是真实数据不够。过去全靠人遥操作机械臂去采，又慢又贵，根本喂不饱大模型。

蚂蚁灵波换了个思路：让真人戴上轻便的触觉手套，在日常生活里直接把「人类手感」采下来。

拧瓶盖、擦桌子、插插头，人手怎么发力，手套就怎么记。

人手戴手套采集加上真机遥操作，两条路并行走，最终攒出全球最大的真实触觉数据集：近5000小时（4983小时）、13.3亿帧，其中足足三分之二来自人类手套。

可人手和灵巧手长得并不一样，采来的数据对机器人真管用吗？

实测给出的答案挺让人惊喜：人手攒下的「手感」，能零样本直接迁移给一只全新的灵巧手。

要知道，预训练用的磁触觉数据100%来自人类手套，测试用的新款磁触觉灵巧手，模型压根没见过。

团队把触觉模型参数完全冻住，直接装到这只新灵巧手上，π0.5的平均成功率立刻从48%升到74.17%；搬运软纸杯一项，更是从58%跳到90%！

这说明，读懂物理接触的本事已经跨过了硬件形态，原封不动地从人手传到了灵巧手。

三类触觉信号如何统一，真手感又怎么靠预测受力练出来？

底层要解决的问题是：三种传感器、人手和灵巧手的数据，怎么装进同一个模型？灵波团队抓的是最核心的共性。

传感器测的不管是图像、磁场还是电阻，最后回答的都是同样四个问题——手指碰在哪、用了多大力、力往哪边走、有没有在滑。

问题既然一样，团队就把「理解接触」单独拎出来，分三步做成一个通用基础模型。

第一步是按原理分别「收件」。具体做法是给三类传感器各设一个极简入口，转成统一格式后交给同一个触觉主干网络去学，同类原理的新硬件直接就能接进来。

第二步是让所有指尖落进同一张“地图”，也就是5D-RoPE。只把数据格式对齐还不够，各家灵巧手的触点怎么排布，差别同样很大。团队的做法是把全部触点统一映射进三维指尖球面坐标，再对疏密和位置做随机微调，免得模型把某一种硬件的排布死记下来。

第三步则是一道“补全接触”的题，名为Tactile-JEPA。为什么要单独出这道题？抓握物体的时候，超过90%的触点实际上什么都没碰到，读数尽是零值和底噪。要是照搬视觉模型那套遮住一块再还原原始读数的做法，模型全填零就能轻松拿到90分。

在四千小时数据下，传统方案的跨模态检索前5名召回率分别只有3.06%和8.69%！LingBot-Touch于是借用了图灵奖得主LeCun推崇的JEPA架构，直接把高达90%的区域遮住。它不让模型去还原零值底噪，改去推断被遮住的地方受的是什么力，检索召回率一下子被拉到49.32%！

盲摸定位准至0.12毫米。触觉也能Scaling。

这套架构对物理接触的感知究竟有多准？在五项物理接触测试中，团队给主流开源模型FTP-1开了外挂，允许它加装硬件专用适配器；LingBot-Touch则全程锁死权重，一个参数都不改。让了对手一手，它的指尖盲摸定位误差还是从对手的2.19毫米压到0.12毫米，换到新款磁触觉灵巧手上也能压到0.16毫米。

指尖三维力感知误差同时降了约65%；装进同一个动作大脑去测5项真机任务，平均成功率82.2%对67.5%，优势明显。

更关键的是，团队在五千小时量级上看到触觉同样存在Scaling现象，跑出了两个关键趋势。其一，三类不同传感器的数据混在一起训练，各项指标全面压过单独训练，各条硬件路线的数据汇到一处，跑出了“1+1+1>3”的效果。

其二，数据堆到近5000小时后，轻量级Tiny版在4000小时之后逐渐饱和，容量更大的Small版则还在往上走。模型越大、数据越多，机器人的“手感”就越强。

LingBot-Touch的价值其实不止于给机器人多添一种感觉。硬件不必统一，智能可以共享。触觉是典型的“物理原生模态”——文字、图像在网上到处都是，数字世界的大模型却从没真正“摸”过东西，开头Astra插头卡死也浑然不觉，原因就在这里。

再加上传感器原理各不相同，触觉长期分散零碎，始终没能形成统一的表征。如今LingBot-Touch证明，哪怕是最依赖硬件的触觉，也能提炼出统一的表征。

触觉这块被验证之后，往大了看，整套具身智能都能照此推开。物理操作之所以难泛化，很大一块卡在硬件：本体、灵巧手、传感器各走各路，攒下的经验全被锁死在自家硬件里。

蚂蚁灵波的想法很清楚——硬件不用统一，智能可以共享。它要做的，是夹在硬件和场景中间的那层智能：把不同本体、不同传感器攒下的物理经验，转成能共享的统一表征，再以开源、可拆分的形式放出去。

今年灵波已经陆续开源了几个模型：空间感知模型负责看得更清楚，世界模型负责想得更明白，跨本体动作模型负责干得更利索。

这回开源的LingBot-Touch，补的是「具身原生」大脑全栈2.0里摸得更灵敏的那一块，也把同一套方法搬到了最依赖硬件的触觉上。触觉能走通，说明这套路子同样能用到别的新的感知方式上。

落到产业上，这层共享智能直接替上下游省掉了重复造轮子的功夫。拿触觉传感器厂商来说，以前每推一款新传感器，都得自己采数据、从头训一套触觉模型，动作模型才用得上，门槛高、周期也长。

现在新硬件直接接进LingBot-Touch，就能产出通用的触觉Token，厂商能把精力放到精度、耐用性和成本上，产品也更容易被各家机器人用起来。

对灵巧手和整机厂来说，变化最大的是选型终于自由了。一只手上，不同部位要的东西本来就不一样：指尖管捏、拧、搓这些精细活，得要高分辨率看清细微接触；手掌主要管托和握，更需要大面积、低成本地感知受力。

最理想当然是按部位各取所长，可过去一只手上用两种传感器，就得配两套触觉模型分开训，开发和维护都得多掏一份成本。现在同一个LingBot-Touch就能读懂不同原理的触觉信号，「指尖视触觉+手掌压阻阵列」这种高性价比组合，终于能放心装上手、真正用起来了。

目前蚂蚁灵波已经联合多家机器人本体厂商与行业伙伴，把这套具身大脑能力带进零售药房、仓储物流和工厂产线落地干活。

回头看，大模型能在数字世界爆发，靠的是海量文字和图像能被统一学习、反复复用。如今连最依赖硬件的「手感」都能被预训练、被复用，物理智能终于也有了像语言智能那样越积越厚的可能。

硬件可以百花齐放，智能却能在同一层上不断生长。机器人真正走进千行百业的拐点，或许就从这里开始。