Fable 5.2能解魔方拧瓶盖：通用大模型离真正的机器人手感还有多远

Anthropic 最新旗舰 Fable 5.2 今天正式亮相，通用大模型又一次在机器人操作上秀出了让人意外的本事。官方演示里，这台由该模型操控的机器人把解魔方、拧瓶盖、画机器人这些活儿都做了一遍。

公开的 RoboDojo 基准测试中，Fable 5.2 拿到 64.9% 的成绩。Anthropic 表示，这个分数既压过了用同一套测试框架的其他前沿模型，也高于大多数专为机器人控制打造的 AI 系统。

两个多月前是 GPT-6 Astra，如今轮到 Claude Fable 5.2，这些花式操作接连登场，让行业看到通用大模型驱动机器人的空间正在被打开。

可演示成功、仿真高分，就等于机器人真的学会了通用的物理操作吗？

机器人一「伸手」，碰上需要精细拿捏的任务，真正的考验才刚开始。

就说拧瓶盖：手指得先找准抓握点，再给出恰当的力道，还要随着瓶盖转动、指尖打滑的程度随时修正动作。几毫米的位移、一点细微的受力变化，都能左右一次操作成不成。

视觉、空间、触觉这些物理模态得一起配合，机器人才能把这类精细活儿干成。具身智能的一条关键路线，正是从机器人本体和真实物理交互入手，搭一个面向物理世界的具身原生基础模型。

蚂蚁灵波在国内就是朝这个方向做的。团队盯着机器人物理感知、理解和操作这几块需求，一点点搭具身原生模型体系。今天发布的触觉基础模型 LingBot-Touch，就是这条路线在高精度灵巧操作上的一次落地尝试。

团队在过程中收了近 5000 小时真实触觉数据，磁触觉、压阻式、视触觉三种传感技术都覆盖到了，为的是让模型学到不同传感器背后共通的接触规律。这些触觉表征还能接进不同的机器人动作模型，在多种灵巧手和真实操作任务里复用。

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

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

• GitHub 地址：https://github.com/Robbyant/lingbot-touchHugging Face：https://huggingface.co/collections/robbyant/lingbot-touch

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

所以，LingBot-Touch 把异构触觉数据预训练、统一表征学习、下游动作模型接入串了起来，形成一套完整的技术方案。具体从哪几个关键环节入手，下面展开说。

5000 小时真实数据是这套方案的基础。

目的是让不同机器人的“手感”能够共享。

触觉常被理解为对接触的感知，可真要把它做成通用基础模型，难度远超预期。机器人做不同操作时，对触觉的要求并不一样。指尖捏起一颗玻璃弹珠，得精确抓住接触的位置和力度的细微变化；手掌托住较大的物体，则要了解各个区域的受力分布。操作部位和任务一变，对传感器精度、覆盖范围、体积的要求也跟着变。

眼下触觉传感器有多条技术路线，LingBot-Touch 这次主要覆盖三类：视触觉、磁触觉和压阻式触觉。

视触觉靠内部摄像头看弹性表面的形变，能拿到接触位置和轮廓等细节；磁触觉利用软质磁性材料形变带来的磁场变化，感知接触与受力；压阻式触觉则测量材料受压后的电阻变化，得出不同位置的压力分布。

这三类传感器捕捉的都是手指与物体接触时的物理变化，但测量原理和信号表达差别很大。设备之间，感测单元的数量、空间布局、采样频率也不一致。

问题随之而来：不同传感器采到的数据，怎样才能放在一起训练？

若给每种传感器单独训练专用触觉模型，一款机器人攒下的经验就很难直接搬到另一款机器人身上。动作模型本身操作能力再强，一旦换了传感器，触觉信号的处理方式也可能要重新适配。

团队要回答的是，不同硬件、不同任务积累的触觉经验，怎么变成可复用的基础能力。

他们为此搭了一套多分支编码、共享主干的架构，并借鉴 JEPA（Joint-Embedding Predictive Architecture）的思路，为触觉信号开发了 Tactile-JEPA 训练方法。

第一步要处理的是不同传感器之间的空间对齐。

各触觉传感器的 Taxel（触觉感知单元）数量、排列方式、空间分辨率都不一样。把这些数据直接喂进同一个 Transformer，模型很难判断某个传感器上的感知单元对应手指的哪个位置。

为此，团队搭起一套标准化的指尖几何坐标系，把各类传感器的感知单元统一映射到同一套三维空间里。

有了它，每个触觉 Token 便带上五维地址：时间窗口索引 1 维、手指编号 1 维、三维空间坐标 3 维。模型拿到的信息就变了——不光是某个传感器上的第几个测点，还包括触觉响应发生在什么时间、属于哪根手指、落在哪个物理位置。

编码环节上，LingBot-Touch 并未要求三种传感器采用同一套原始信号处理方式。压阻式、磁触觉和视触觉各自配一个轻量级 Tokenizer，原始信号先经各自转换，再变成统一接口下的触觉 Token。

这些 Token 随后被送进共享的 Haptic Transformer（HaT），由同一套主干网络去学习不同传感器信号背后的接触规律。

各传感器的测量特点因此得以保留，同时又能一起参与模型训练。差异交给各自的编码分支处理，更高层的触觉特征则由共享主干来学。

数据对齐的问题解决之后，另一个问题浮上来：模型到底该怎么学触觉？

LingBot-Touch 的答案是 Tactile-JEPA，在潜在空间里做特征预测。具体做法是：先遮住一部分触觉 Token，Context Encoder 处理剩下的可见信息；Target Encoder meanwhile 处理完整触觉序列，产出目标特征；再由 Predictor 依据可见信息，预测完整序列各位置对应的潜在特征，并跟目标编码器的输出对齐。

这当中，Target Encoder 的参数不走梯度反向传播，而是靠 Context Encoder 的指数移动平均（EMA）来更新。被遮挡位置和可见位置的预测结果，模型都会加以监督。

这套设计跟触觉数据自身的特点有关。

触觉数据稀疏性很强。多数时候手指并没碰到物体，传感器记录里大量是接近零的背景信号。若直接优化原始信号重建，模型很可能把不少精力花在预测这些背景数据上。

改用潜在空间做预测，模型就不用把力气耗在还原那些没接触的背景信号上。它转而从真实交互数据里的时空关联中，去学跟接触位置、受力大小以及受力动态变化有关的特征表示。

训练这套模型用的多源触觉数据集，是团队另外搭起来的：累计采集 4,983 小时真实触觉数据，含 464,431 个交互片段、约 13.3 亿帧。数据出自压阻式、磁式和视觉触觉传感器，覆盖抓握、旋转、滑动、擦拭、装配、双手协同，也有易碎、易变形物体的操作，来源分两种。

• 大头由戴触觉手套的人类操作员贡献；其余来自遥操作机器人，采集用的是搭载 Sharpa Wave 灵巧手的双臂系统。

从量上看，触觉手套拿到的数据占三分之二，遥操作那部分占三分之一。

这里有个思路：训练触觉基础模型，未必要完全靠机器人本体去采数据。人戴上触觉手套，日常操作中就能攒下大量接触经验；再用机器人遥操作数据补上特定硬件上的真实交互信息，不同来源的数据就都有机会参与基础模型训练。触觉数据要上规模，这条路子算是新开了一条。

26 项真机任务：验证通用触觉得不能真正迁移

团队从三个层面看 LingBot-Touch 的下游能力：触觉理解、真实环境下的机器人操作、仿真环境下的机器人操作。实验用了 Sharpa Wave 和 XHand1 两款灵巧手，真机操作含 26 项任务，仿真操作含 12 项任务。

触觉这块，模型到底懂不懂？团队先看编码器本身。评估从四个维度展开：接触力大小、空间几何结构、时间动态变化，还有跨模态对应关系。LingBot-Touch 的编码器被冻结，五项任务依次跑下来。

只喂了 1000 小时预训练数据，五项任务上的表现已经不弱。指尖测力范围 30 至 50 N，模型给出的接触力预测误差控制在 2 N 以内；空间感知上，接触中心定位做到亚毫米级，接触面积估计误差不到 2%；时间维度也没掉链子，未来接触力大小的预测误差同样低于 2 N。特征表示质量如何，团队又用可视化做了一轮评估。

进入接触阶段后，不同特征点连成平滑、延展的结构，对应的是触觉信号一点点变化的过程。几根手指的触觉响应此消彼长，受力在手指之间重新分配，相应的接触阶段就沿着这些结构落在相邻区域。这说明 LingBot-Touch 分得清接触与非接触，也留住了接触过程中连续变化的信息，一次交互里触觉响应随时间怎么演化，它都捕捉得到。

触觉理解是一回事，落到真实操作又是另一回事。团队随后把 LingBot-Touch 接进真实机器人策略，看这些知识能不能变成手上的操作能力。

真机实验用了 Sharpa Wave 和 XHand1 两款灵巧手。动作模型挑了 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex 四种，LingBot-Touch 则作为额外的触觉表示模块，接进下游后训练环节。

两款灵巧手一共跑完 26 项真机操作任务，覆盖物体旋转、精细抓取、易碎和易变形物体操作，还有双臂协同这些场景。结果接入 LingBot-Touch 之后，不同动作模型的操作成功率都出现了明显改善。

Sharpa Wave 上，π0.5 的平均成功率由 47.56% 升到 68.58%，LingBot-VLA 由 45.60% 升到 72.51%，T-Rex 由 44.06% 升到 70.05%。

XHand1 上，π0.5 从 49.71% 提升至 74.17%，LingBot-VLA 从 57.21% 提升至 75.04%。

这种提升并不是某一种动作模型独有的。Diffusion Policy、π0.5、LingBot-VLA、T-Rex 架构各不相同，同一套预训练触觉表征都能接进去提供触觉感知，不用为每种动作模型单独再训一个触觉编码器。

那从真实世界搬到仿真环境，触觉表征还管用吗？

团队把测试环境进一步扩展到仿真，看预训练得到的触觉知识能不能迁移到不同的物理环境，也看它能不能真正帮强化学习策略学会精细操作。

表 2 显示，Sharpa Wave 和 XHand1 两个平台的全部 12 项任务里，LingBot-Touch 的成功率和累计回报都是最高的。按任务等权计算，其平均成功率达到 68.95%，CNN 触觉特征方案为 45.59%，不使用触觉输入的方案为 21.42%，分别高出 23.36 和 47.53 个百分点。

对于那些要依据持续变化的接触状态做协同控制的任务，LingBot-Touch 的优势更突出。Sharpa Wave 平台上，盘子旋转任务成功率达到 97.4%，笔旋转任务达到 97.1%，比对应任务中表现最好的基线方案分别高出 14.5 和 32.9 个百分点。

球体平衡这项任务，更能看出触觉表征质量的分量。LingBot-Touch 在 Sharpa Wave 上成功率为 67.7%，在 XHand1 上是 35.9%；两款平台上成绩最好的基线方案则分别是 32.4% 和 10.0%。至于只用二值接触信号、或者干脆不引入触觉输入的做法，在这两款平台上的成功率都只有 0%。

也就是说，给机器人加上触觉观测，并不等于操作效率和可靠性就会跟着上来。真正决定性能能否改善的，是触觉表征本身够不够好。

从下图给出的训练曲线还能看到，不管是 Sharpa Wave 上的笔旋转、两款灵巧手上的球体平衡，还是 XHand1 上的盲抓取，LingBot-Touch 都能让强化学习策略在训练前期拿到更高的累计回报。

这种训练走势说明，有了 LingBot-Touch 的触觉表征，策略在学习怎么用触觉信息时，优化负担更轻，训练稳定性也更容易保住。

跟现有的触觉模型比，它强在哪儿？

团队把 LingBot-Touch 和 FTP-1 拉在一起做了直接对比。

五项触觉理解任务里，LingBot-Touch 在 Sharpa Wave 和 XHand1 两个平台上都拿到了更好的成绩。

拿接触力恢复来说，Sharpa Wave 上的平均误差由 FTP-1 的 2.31 N 降到 0.81 N；XHand1 上则从 3.72 N 降到 1.32 N。

空间感知上的差距拉得更大。接触中心定位误差在Sharpa Wave上由2.19 mm掉到0.12 mm，XHand1上则从5.89 mm降到0.16 mm。

触觉到视频检索任务里，LingBot-Touch的Top-5 Recall比FTP-1分别高出56.13和41.13个百分点。

团队还把两种触觉编码器分别接进LingBot-VLA做后训练，跑了五项真实机器人操作任务。结果LingBot-Touch把平均成功率从原始策略的55.9%拉到82.2%，FTP-1这边的成绩是67.5%。

数据喂得越多，模型还能不能接着变强？

团队接着测了LingBot-Touch的Scaling能力。

实验把它的预训练数据集设成五种规模，从1000小时一路加到5000小时，各数据来源的占比全程不动。

下游触觉理解任务中，预训练数据从1000小时增至4000小时，HaT-Tiny在空间结构、时间动态、接触力大小、跨模态对应关系四方面的理解力都在往上走。

数据规模加到5000小时后，模型表现跟4000小时那档基本打平。按这个结果看，到了这一规模，限制性能继续往上走的因素可能开始变成模型容量。

团队随后把骨干网络加大，模型升级为HaT-Small。实验显示，更大的模型在各种数据规模下都有进一步提升，尤其能继续吃下多出来的预训练数据。这说明触觉基础模型的Scaling不光要堆数据，模型容量也得同步跟上。

真实机器人操作上也出现了相近的规模扩展走势。

具身原生

寻找可共享的物理规律

回到开篇拧瓶盖的动作。接触状态、受力或滑移一变，机器人就得立刻抓住这些物理信息，再判断下一步怎么动。

看着简单的操作，背后要多种能力配合。空间感知模型管物体在哪、离多远；触觉模型盯接触和受力变化；世界模型学环境随时间和动作怎么变；动作模型据此生成并调整动作。

蚂蚁灵波具身原生机器人通用大脑的整体设计思路正是如此。空间与触觉感知、世界建模、动作生成，各由对应模型提供能力，再靠模型间的融合协同，撑起从感知、预测到执行的完整链路。

这套架构也反映出蚂蚁灵波做具身原生通用具身智能的技术思路：

传感器的布局、身体结构、控制方式可能各不相同，可不同机器人面对的物理规律存在共性。基础模型要提炼出各类硬件都能用的规律，也得给具体本体留出必要的适配余地。

LingBot-VLA 已经跑通了「一脑多机」；LingBot-Touch 把这条路推到更难统一的触觉模态上。灵巧手换掉触觉传感器，感知模型未必需要从头训练；机器人换了本体，同样不必重新搭一套触觉感知能力。

当然，眼下这种能力复用还有条件。LingBot-Touch 的真机验证集中在 Sharpa Wave 和 XHand 两款灵巧手，预训练还没覆盖电容式传感器。更多机器人形态、复杂环境和长程任务，仍需更广泛的实验。

这一探索也带出具身基础模型走向通用化的两道关键考题：哪些规律能跨机器人共享，哪些能力必须结合具体本体重新学？

这两者的边界一旦厘清，机器人就有望省掉针对不同硬件重复训练基础感知模型的成本，让更多真实交互经验在不同设备间流动。