蚂蚁灵波开源LingBot-Touch：机器人补上「手感」这一环

新智元报道  

毫无预告的情况下，Anthropic在深夜发布了下一代旗舰Fable 5.2，一脚踏进物理世界。这款模型的综合表现压过Opus 5.5，泛化能力也相当突出——遇到没见过的新任务照样能应付。

徒手还原魔方、拧开瓶盖、画机器人、装上齿轮再测齿合，Fable 5.2在RoboDojo测试中拿到64.9%的成功率，把一票对手甩在身后，成绩是GPT-6 Astra的两倍还多。

两个月前，GPT-6 Astra也展示过一手绝活：被极客接上双灵巧手之后，当场弹起了肖邦夜曲。看到这里，是不是觉得大模型接管物理世界已经近在眼前？

可就在同一份测评里，RoboDojo测试团队把这位「前任榜单状元」Astra搬上真机，让它去插充电器、插试管。问题在于它只有眼睛、没有触觉，插头明明已经顶歪卡死，它却察觉不到任何阻力，机械臂照着视觉指令一路硬推，当场把真机硬件撞坏。

研究员慌忙拉闸急停。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，用「眼睛」看就够用；可一落到手上的精细操作，只靠摄像头既来不及，也看不见。

杯子刚在指尖打滑，等摄像头拍到画面，它早就摔碎了；拧瓶盖究竟是拧动了还是手指在空转，镜头里看起来一模一样，接触点还常被手指自己挡住。

也正因如此，像汽车厂插线束这种工序，缺的就是指尖那一下手感。奥迪方面坦言，全行业这类环节的自动化率至今不到10%。

说到底，机器人今天缺的已不是更好的眼睛，而是灵敏的「手感」。就在刚刚，蚂蚁灵波科技正式发布并开源通用触觉基座模型LingBot-Touch，把这块最关键的短板补上了。

视触觉、磁触觉、压阻式这三类触觉信号，被它第一次统一转成了动作模型可以直接调用的「通用触觉Token」。

结果就是，机器人练出来的那套「手感」，换一只灵巧手照样能接着用。

真机场景里，触觉反馈对时效的要求极为苛刻。

团队于是拿出最轻量的Tiny版，参数只有532万，目的就是不跟视觉、动作模型抢算力。

接进三大主流动作模型之后，参数量只增加0.13%到0.16%，负担几乎可以忽略，灵巧手却马上有了「分寸感」。

以「抓喷雾瓶喷水」为例，塑料瓶身很滑，光靠视觉，刚一使劲食指就打滑脱手。

接上LingBot-Touch之后，指尖刚出现一丝滑动，握姿就能立刻微调，扳机稳稳扣下，成功率从42.50%直接升到87.50%。

再看更考验双臂配合的「挤牙膏」：软管捏轻了挤不出来，捏重了又会飙得到处都是。

靠触觉Token帮忙，双臂能稳稳对准窄小的刷头，拇指还能顺着管身阻力细腻施压，把牙膏精准挤到刷毛上：

开头让视觉大模型撞坏真机的「插孔对准」，换到更精细的「拿钥匙开锁」上，也被轻松拿下。

指尖捏住小钥匙，顺着锁孔微弱的碰撞阻力边试探边微调，对准后干脆利落地一把拧开挂锁：

更有意思的是「盲摸麻将」，规则严苛到牌面只要被镜头看到一眼就直接判零分。

灵巧手全程不靠眼睛，指腹轻轻一按就能摸出凹凸花纹、分进不同盘子，成功率翻倍冲上70%：

再比如拆开两个叠放的软纸杯，手指把镜头挡死了，捏重一点杯子就扁，捏轻了又抽不出来。

有了触觉Token帮忙，双臂顺着指尖微弱的摩擦变化，轻轻一搓就把内层纸杯抽了出来。

日常细活之外还有更硬的考验。两款构型不同的灵巧手，配上四款主流动作模型，团队在真机上跑了26项任务、在仿真里跑了12项操作，接上LingBot-Touch的那套组合全部拿下第一：

• 三大动作模型全面提分，T-Rex、π0.5和LingBot-VLA平均成功率分别大涨了23.18、21.81和24.81个百分点；

• 精细操作稳准狠，单页翻书冲上91.25%，按压弹出SD卡飙到92%，搬运软纸杯最高拿下了100%满分；

• 12项仿真操作高分通关，转盘子、转笔成功率双双超97%，纯视觉0分的「端托盘平衡滚球」也拿下了67.7%。

左右滑动查看

触觉明明好用，通用大模型却迟迟训不出来。卡点有两个：传感器之间各说各话，真实数据又极度匮乏。

硬件这一层，眼下主流的三类触觉传感器，工作原理压根不是一回事。

• 视触觉的做法是在指尖塞进一个小相机，拍软胶的形变，极细微的接触都看得清，拧瓶盖这类活儿很合适，可帧率一限制，反应就快不起来；磁触觉走的是另一条路，软磁材料受力后磁场随之变化，多方向力和滑动都拿手，拉拉链、插插头不在话下，缺点是怕周围磁场来捣乱。

• 压阻式靠材料受压后电阻变化来感知，成本低，能铺满手指和手掌，换来的代价是分辨率有限。

  
  

结果就是，同样压住杯壁，三类传感器记下来的东西像三种互不相通的「方言」，换一只手，模型就得推倒重训。

数据这块更让人头疼。以前都靠人遥操作机械臂去采，慢且贵，大模型根本吃不饱。

蚂蚁灵波换了个思路：让真人戴上轻便的触觉手套，在日常生活里把「人类手感」直接采下来。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，再加上真机遥操作，两条路合起来，团队攒出全球规模最大的真实触觉数据——近5000小时（4983小时）、13.3亿帧，其中三分之二来自人类手套。

可人手和灵巧手毕竟长得不一样，这样采来的数据，机器人用得上吗？

实测结果挺让人意外：人手攒下的「手感」，能零样本直接迁移到一只全新的灵巧手上。

要知道，预训练用的磁触觉数据100%来自人类手套，测试用的那款磁触觉灵巧手，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的平均成功率马上从48%升到74.17%，搬运软纸杯一项更是从58%跳到90%。

读懂物理接触这件事，已经不再受硬件形态限制，可以原封不动地从人手交到灵巧手手里。

底层要解决的，是怎么把三种传感器、人手和灵巧手的数据塞进同一个模型。灵波团队盯住的是最核心的共性。

传感器测的不管是图像、磁场还是电阻，最终要回答的都是四个问题：手指碰在哪、使了多大劲、力朝哪个方向走、有没有打滑。

问题既然一致，团队就把「理解接触」这件事单独拆出来，分三步做成一个通用基础模型。

第一步，按原理分别「收件」。

团队的做法是给三类传感器分别开一个极简入口，转成统一格式后，再送进同一个触觉主干网络学习。同类原理的新硬件，接进来就能用。

第二步，把全部指尖塞进同一张「地图」（5D-RoPE）。

只统一格式还不够。不同灵巧手的触点怎么排布，差别大得很。

团队于是把每个触点都映射进三维指尖球面坐标，还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，做一道「补全接触」的题（Tactile-JEPA）。

这道题是专门设计的。抓握物体时，超过80%的触点根本没碰上东西，读数全是零值和底噪。

若照搬视觉模型那套，遮住一块再还原原始读数，模型只要全填零，就能白拿90分。

结果在四千小时数据下，传统方案的跨模态检索前5名召回率只有3.06%和8.69%！

于是LingBot-Touch借用了图灵奖得主LeCun推崇的JEPA架构，直接把高达80%的区域遮住。

遮住之后，它不让模型去还原零值底噪，而是推断被遮住的地方怎么受力，检索召回率一下被拉到49.32%！

这套架构对物理接触的感知到底有多准？

团队在五项物理接触测试里设了个条件：主流开源模型FTP-1可以外挂硬件专用适配器，LingBot-Touch则全程锁死权重，一分参数都不改。

让了对手一手，LingBot-Touch还是把指尖盲摸定位误差从对手的2.19毫米压到0.12毫米；换到新款磁触觉灵巧手上，也压到了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测5项真机任务，平均成功率82.2%对67.5%，大幅胜出。

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，各项指标全面压过单打独斗。各条硬件路线的数据总算汇到一处，跑出了「1+1+1>3」的效果。

其二，数据堆到近5000小时时，轻量级Tiny版在4000小时后逐渐饱和，容量更大的Small版却还在持续上涨。

也就是说，模型越大、数据越多，机器人的「手感」就越强。

LingBot-Touch的价值，其实不止于让机器人多了一种感觉。

「物理原生模态」里，触觉是很典型的一种。网上的文字、图像一抓一大把，可数字世界的大模型从来没真正「摸」过什么，开头Astra插头卡死却浑然不觉，原因也在这里。

再加上传感器原理各不相同，触觉长期分散零碎，一直没能形成统一的表征。

现在，LingBot-Touch给出了一个答案：触觉虽然最吃硬件，一样能被提炼成统一表征。

触觉上跑通了，往大处说，这套做法照样能铺到整个具身智能。

物理操作之所以难泛化，硬件是绕不过去的一关。本体不同、灵巧手不同、传感器走的路线也不同，辛苦攒下的经验最后全被关在各自的硬件里。

蚂蚁灵波对此的态度很直接：硬件不用统一，智能可以共享。

它瞄准的是夹在硬件和场景中间的那层智能——把各种本体、各种传感器攒出来的物理经验，转成能共享的统一表征，再以开源、可拆分的形式放出去。

今年以来，灵波陆续开源了三类模型：空间感知模型让机器人看得更清楚，世界模型让它想得更明白，跨本体动作模型则让它干得更利索。

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，同时把同一套方法搬到了最依赖硬件的触觉上。触觉既然走得通，其他新感知方式同样可以照此办理。

放到产业里看，这层共享智能最直接的好处，是上下游不必再重复造轮子。

对触觉传感器厂商而言，以前每出一款新传感器，数据得自己采，触觉模型得从头训，动作模型才接得上，门槛高，周期也长。

如今新硬件接进LingBot-Touch，就能产出通用的触觉Token。厂商可以把力气花在精度、耐用性和成本上，产品也更容易被各家机器人采用。

灵巧手和整机厂这边，变化最大的是选型终于不再束手束脚。

同一只手上，各部位的需求本来就不一样。指尖要捏、要拧、要搓，做的是精细活，得靠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。

按部位各取所长当然最理想。可过去一只手上装两种传感器，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。

现在不同原理的触觉信号，同一个LingBot-Touch都能读懂。「指尖视触觉+手掌压阻阵列」这类高性价比组合，总算能放心装上手、真正派上用场。

眼下，蚂蚁灵波已联合多家机器人本体厂商和行业伙伴，把这套具身大脑能力带进零售药房、仓储物流和工厂产线干活。

回头看看，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。

而现在，连最吃硬件的「手感」都能预训练、能复用，物理智能也有了像语言智能那样越积越厚的可能。

硬件尽可以百花齐放，智能却能在同一层上持续生长。

机器人真正走进千行百业的拐点，或许就从这里开始。