蚂蚁灵波开源LingBot-Touch：触觉基础模型让机器人摸得更灵敏

11月10日消息，蚂蚁灵波科技把触觉基础模型LingBot-Touch开源出来，机器人大脑由此补上了触觉感知这块关键拼图。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都在覆盖范围内，能把不同信号统一成同一套触觉表征，供各类灵巧手和动作模型调用。机器人原本已经“看得清楚、想得明白”，精细操作所缺的触觉感知这下也补齐了。

通用大模型正加速演进，蚂蚁灵波偏偏在这个节点拿出一款面向物理操作闭环的触觉基础模型。这一动作透露出的是：具身原生路线，他们还要持续投入，并且态度笃定。

蚂蚁灵波的通用大脑此前已经具备高精度空间感知、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。这次LingBot-Touch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往上走了一步。

26项真机测试：任务成功率提高14至26个百分点

通用大模型不断进步，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，每走一步动作，机器人都得感知物体和环境的变化，再据此修正下一步。不少精细操作里，机器人能看清物体在哪，手也能伸到正确位置，任务却未必顺顺当当完成——手指碰上物体之后，受力合不合适、物体有没有滑移，光靠视觉很难判断，得由触觉来补充。

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，这两种情况在画面里看着差不多，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，此时都是动作模型的重要判断依据，偏偏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多大帮助？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包含在内。接入LingBot-Touch之后，LingBot-VLA、π0.5、Diffusion Policy和T-Rex四种动作模型的平均任务成功率，比没有触觉时高出约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，成功率到了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，让机器人的“手感”跨硬件复用

装上触觉传感器，不等于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、压阻式等主流路线各有各的长处和局限，面向不同成本和使用场景，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，传感原理和触点布局一变，形成的原始信号就不一样。模型要是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，这种绑定带来的是重复开发，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，触觉要走向规模化落地，关键得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放在一起训练，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，先把不同的原始信号处理掉，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，不同动作模型也能利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）

在XHand1上，团队进一步验证了触觉能力能跨硬件复用。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。

这次真机测试中，LingBot-Touch接入了四种不同的动作模型，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，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与任务需求挑硬件，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要重新开发触觉能力的重复投入由此减少。

感知能力和端侧算力要兼顾，蚂蚁灵波因此给了两种容量的模型。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在感知测试中显出了进一步提升的潜力——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朱兴谈到具身大模型技术路线近来的变化时说：“GPT-6 Astra、Claude Fable 5.2这类数字世界的大语言模型越做越强，机器人在复杂任务推理和物理操作上也确实跟着受益，我们盯着这块，也在积极吸收。不过产业一线跑下来，想真正把操作闭环走通，物理操作泛化性这道坎还是得迈，很大程度上还要看具身基础模型自己能不能突破。”

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：一个让机器人更懂任务和环境、更会推理，另一个把物理感知和闭环操作能力提上去，双方各自往前走、又互相带动，具身智能产业成熟的步子也会跟着加快。

“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。”朱兴表示，蚂蚁灵波会坚持具身原生路线，继续摸索物理操作泛化性的新上限，打造能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统一模型里对齐，商业化推进的同时也会持续向社区开源开放。

眼下，LingBot-Touch的技术报告、模型和代码均已开源，开发者可以在Hugging Face、GitHub和魔搭社区访问并下载。