通用大脑能力再提升，蚂蚁灵波发布LingBot-Touch触觉基础模型

11月10日，蚂蚁灵波科技开源触觉基础模型LingBot-Touch，机器人大脑由此补上了关键的触觉感知一环。模型预训练用了近5000小时真实触觉数据，磁触觉、视触觉、压阻式三类主流传感原理均在覆盖范围内，不同信号可被转化为同一套触觉表征，供各类灵巧手和动作模型调用。机器人原本已能“看得清楚、想得明白”，精细操作所缺的触觉感知也由此进一步补齐。

通用大模型正加速演进，蚂蚁灵波此时推出一款面向物理操作闭环的触觉基础模型，其对具身原生路线的持续投入和笃定，从这个动作里看得出来。

蚂蚁灵波的通用大脑此前已覆盖高精度空间感知、高动态环境交互和可泛化灵巧操作，机器人看得更清楚、想得更明白、干得更利索。LingBot-Touch此次已接入LingBot-VLA，感知能力延伸到“指尖”，机器人“摸得更灵敏”，具身原生通用大脑的能力再上一个台阶。

26项真机测试：任务成功率提高14至26个百分点

通用大模型持续进步，机器人理解复杂任务、推理操作步骤的本事在增强。可到了真实物理世界，每执行一步动作，机器人都得感知物体和环境的变化，再据此修正下一步。不少精细操作中，机器人看得清物体在哪，手也能伸到正确位置，任务却未必能顺利完成——手指碰到物体之后，受力合不合适、物体有没有滑移，光靠视觉难以判断，得由触觉来补。

灵巧手拧瓶盖就是个例子。深度信息能帮手指对准瓶盖，可一旦开始转动，瓶盖可能已经松动，也可能指腹正沿着盖壁打滑。这两种情况在画面里看起来相似，需要的动作调整却不一样。指尖的接触位置、受力大小及其变化，此时都成了动作模型的重要判断依据，而这些信息往往被手指和物体挡住，视觉拿不到。

触觉表征对真实操作到底有没有用？蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上做了26项真机测试，翻书页、拧瓶盖、辨识麻将牌等精细操作都在其中。接入LingBot-Touch后，LingBot-VLA、π0.5、Diffusion Policy和T-Rex四种动作模型的平均任务成功率，较无触觉时提高约14至26个百分点。

以T-Rex控制Sharpa Wave拧瓶盖为例：不用触觉，任务成功率是56.25%；直接输入传感器原始信号，为62.5%；接入LingBot-Touch的触觉表征后，成功率达到90%。

（图说:接入LingBot-Touch后，四种动作模型在两款灵巧手上的真机任务成功率均达到各自最高水平）

统一触觉表征，机器人“手感”可跨硬件复用

装上触觉传感器，不等于机器人就能用好触觉。商用触觉传感器整体还处在较早的发展阶段，视触觉、磁触觉、压阻式等主流路线各有优势和局限，面向不同成本和使用场景，多种技术路线可能长期并存。

更麻烦的是，这些传感器采集的数据很难直接通用。同一次接触，在不同传感原理和触点布局下，形成的原始信号并不一样。模型若只学会解读其中一种，换了传感器或灵巧手，已有的数据和触觉经验就可能难以复用，得重新采集、训练和适配。硬件迭代这么快，这种绑定带来重复开发，硬件厂商、整机团队和模型开发者之间的适配成本也随之增加。

触觉要走向规模化落地，关键就在于让触觉理解摆脱对特定传感器物理信号的依赖，使不同来源的数据能共同用于训练，积累下的触觉能力可以跨传感器、跨灵巧手、跨模型和跨任务复用。

具体做法上，LingBot-Touch按传感原理分别设置编码入口，先处理不同的原始信号，再把不同布局的触点映射到统一的指尖坐标空间，由共享模型学习接触位置、受力及其随时间的变化，输出统一的触觉Token。人戴触觉手套和遥操作灵巧手采集的数据，由此可以共同用于训练；不同动作模型也能利用训练好的模型提取接触特征。这套架构还为将来接入新类型的触觉传感器留出了扩展空间。

（图说:LingBot-Touch将磁触觉、视触觉、压阻式触觉信号编码为统一的触觉Token，供不同动作模型使用）

触觉能力能否跨硬件复用，团队在XHand1上做了进一步验证。XHand1所用磁触觉传感器的型号并不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。换到这只灵巧手后，团队保持LingBot-Touch参数不变，只用XHand的操作示范训练动作模型。

本次真机测试中，LingBot-Touch接入了四种不同动作模型，并不绑定蚂蚁灵波自研模型。它提供的是触觉传感器和动作模型之间的通用感知能力，而非某一硬件或某一策略的专用模块。对产业来说，传感器和灵巧手厂商可以按成本与任务需求选硬件，整机团队也能保留自己的动作策略，每换一种硬件与算法组合就得重新开发触觉能力的重复投入，可以少一些。

感知能力与端侧算力要兼顾，蚂蚁灵波为此提供了两种容量的模型。此次26项真机测试全部由约530万参数的轻量版LingBot-Touch-Tiny完成。接入LingBot-VLA、π0.5和T-Rex后，模型参数量仅增加约0.13%至0.16%。

容量较大的LingBot-Touch-Small，在感知测试中展现出进一步提升的潜力——预训练数据增至近5000小时时，模型仍能从新增数据中获益，触觉预训练还有持续扩展提升的空间。

坚持具身原生，与通用大模型协同推进

蚂蚁灵波CEO朱兴提到，具身大模型的技术路线近来出现了一些变化。他说：“GPT-6Astra、Claude Fable5.2这类数字世界的大语言模型取得进展，机器人在复杂任务推理和物理操作上的本事确实变强了，我们盯着这块，也在主动往里跟。可产业一线干下来发现，想把操作闭环真正跑通，物理操作泛化性这道坎躲不过去，多数时候还得指望具身基础模型自己先迈过去。”

朱兴的看法是，通用大模型和具身基础模型之间，更像一种1+1>2的配合：前者让机器对任务和环境看得更明白、推得更清楚，后者把物理感知和闭环操作的能力往上抬，两边各自往前走一步、又互相推一把，具身智能产业成熟的速度也就跟着快起来。

朱兴表示，动作输出的好坏，很大程度上取决于模态输入的质量——输入不行，输出自然好不了。蚂蚁灵波会沿着具身原生这条路线走下去，继续摸索物理操作泛化能力的新上限，做出能适配不同构型的机器人行业通用大脑，让视觉、深度、触觉乃至温度等更多物理模态在同一个模型里完成对齐，商业化推进的同时，也会继续向社区开源开放。

目前，LingBot-Touch的技术报告、模型和代码已开源，开发者可在Hugging Face、GitHub和魔搭社区访问和下载。