蚂蚁灵波开源LingBot-Touch触觉模型，真机成功率最高提26个百分点
11月10日，蚂蚁灵波科技开源触觉基础模型LingBot-Touch
11月10日，蚂蚁灵波科技把触觉基础模型LingBot-Touch对外开源，给机器人大脑补上了触觉感知这一环。该模型用近5000小时真实触觉数据做预训练，磁触觉、视触觉、压阻式三类主流传感原理都覆盖在内，能把不同信号转成同一套触觉表征，供各类灵巧手和动作模型调用。机器人由此在“看得清楚、想得明白”之外，进一步具备精细操作所需的触觉感知。
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，显示出它对具身原生路线的持续投入。
此前，蚂蚁灵波的通用大脑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这次接入LingBot-VLA，把感知能力延伸到“指尖”，机器人“摸得更灵敏”，具身原生通用大脑的能力再进一步。
26项真机测试 任务成功率提高14至26个百分点
通用大模型在进步，机器人理解复杂任务、推理操作步骤的本事也在增强。可到了真实物理世界，它每走一步都得先感知物体和环境的变化，再据此修正下一步。不少精细操作里，机器人能看清物体在哪，也能把手伸到正确位置，却未必能顺利完成任务——手指碰到物体以后，受力合不合适、物体有没有滑移，光靠视觉判断不了，得由触觉来补。
拿灵巧手拧瓶盖来说，深度信息能帮手指对准瓶盖。一旦开始转动，瓶盖可能已经松了，也可能指腹正沿着盖壁打滑。两种情况在画面里看着差不多，需要的动作调整却不一样。这时指尖的接触位置、受力大小和它的变化，就成了动作模型判断的重要依据，而这些信息常被手指和物体挡住，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、辨识麻将牌这类精细操作都在其中。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，比没有触觉时提高了约14至26个百分点。
T-Rex控制Sharpa Wave拧瓶盖就是一例：不用触觉，任务成功率56.25%；直接输入传感器原始信号，62.5%；接入LingBot-Touch的触觉表征，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，让机器人“手感”跨硬件复用
装上触觉传感器，不代表机器人就能把触觉用好。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、压阻式几条主流路线各有长短，面对不同的成本和使用场景，多种技术路线很可能长期并存。
更难办的是，这些传感器采到的数据很难直接通用。同一次接触，换了传感原理和触点布局，原始信号就不一样。模型要是只学会读其中一种，一旦更换传感器或灵巧手，原有的数据和触觉经验就可能用不上，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跟着涨。
所以，触觉要规模化落地，关键在于让触觉理解不再依赖特定传感器的物理信号，让不同来源的数据能一起用于训练，积累下来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。这样一来，人戴触觉手套采集的数据和遥操作灵巧手采集的数据能共同用于训练，不同动作模型也能用训练好的模型提取接触特征。这套架构还给未来接入新类型触觉传感器留了扩展空间。
（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）
在XHand1上，团队进一步验证了触觉能力能否跨硬件复用。XHand1用的磁触觉传感器型号并不在预训练数据里，模型学到的磁触觉经验全部来自人戴手套采集的数据。换到这只灵巧手上，团队不改LingBot-Touch的参数，只用XHand的操作示范训练动作模型。
本次真机测试中，LingBot-Touch还接入了四种不同的动作模型，并不绑定蚂蚁灵波自研的模型。它提供的是位于触觉传感器和动作模型之间的通用感知能力，不是某一硬件或某一策略的专用模块。放到产业里看，传感器和灵巧手厂商可以按成本和任务需求挑硬件，整机团队也能保留自己的动作策略，不必每换一种硬件与算法组合就重新开发一遍触觉能力。
为了兼顾感知能力和端侧算力，蚂蚁灵波给出了两种容量的模型。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，模型参数量只增加约0.13%至0.16%。
容量更大的LingBot-Touch-Small在感知测试中显露出进一步上升的潜力——预训练数据增至近5000小时时，模型仍能从新增数据中获益，触觉预训练还有继续扩展提升的空间。
坚持具身原生，与通用大模型协同推进
蚂蚁灵波CEO朱兴在聊到具身大模型近期技术路线怎么走时说，GPT-6 Astra、Claude Fable 5.2这类数字世界的大语言模型往前跑，机器人在复杂任务推理和物理操作上确实变强了，公司盯着这块，也在往里吸收。不过他提到，产业一线干下来发现，操作闭环要真跑通，物理操作泛化性这道坎躲不过去，多半还得靠具身基础模型自己取得突破。
朱兴认为，通用大模型和具身基础模型之间更像 1+1＞2 的配合：前者让机器对任务和环境理解得更透、推理得更准，后者把物理感知和闭环操作能力提上去。两边各走各的突破，又互相带动，具身智能产业的成熟也会跟着加快。
“模态输入的质量很大程度上决定了动作输出的质量，换句话说没有好的输入就没有好的输出。”朱兴说，蚂蚁灵波会沿着具身原生这条路走下去，继续摸物理操作泛化性的上限，做跨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对齐。商业化往前推的同时，也会继续向社区开源开放。
眼下 LingBot-Touch 的技术报告、模型和代码都已经开源，开发者能到 Hugging Face、GitHub 和魔搭社区上访问、下载。
