11月10日，上海蚂蚁灵波科技有限公司（以下简称“蚂蚁灵波”）开源触觉基础模型LingBot-Touch。该模型基于近5000小时真实触觉数据预训练，覆盖磁触觉、视触觉和压阻式三类主流传感原理，可将不同信号转化为同一套触觉表征，供不同灵巧手和动作模型使用，让机器人在“看得清楚、想得明白”的同时，进一步补齐精细操作所需的触觉感知能力。

　　此前，蚂蚁灵波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，让机器人看得更清楚、想得更明白、干得更利索。此次，LingBot-Touch已接入LingBot-VLA，将感知能力延伸到“指尖”，让机器人“摸得更灵敏”，进一步提升具身原生通用大脑的能力。

　　在通用大模型加速演进之际，选择推出一款面向物理操作闭环的触觉基础模型，体现了蚂蚁灵波对具身原生路线的持续投入与坚持。

　　为了验证触觉表征对真实操作的帮助，蚂蚁灵波在Sharpa Wave和XHand1两款灵巧手上进行了26项真机测试，涵盖翻书页、拧瓶盖、辨识麻将牌等精细操作。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，不使用触觉时，任务成功率为56.25%；直接输入传感器原始信号时，成功率为62.5%；接入LingBot-Touch的触觉表征后，成功率达到90%。

　　给机器人装上触觉传感器，并不等于它就能用好触觉。目前，商用触觉传感器整体仍处于较早的发展阶段，视触觉、磁触觉、压阻式等主流路线各有优势和局限，面向不同成本要求和使用场景，多种技术路线可能长期并存。

　　因此，触觉走向规模化落地的关键，是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够共同用于训练，让积累的触觉能力可以跨传感器、跨灵巧手、跨模型和跨任务复用。

　　为此，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，再将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。由此，通过人佩戴触觉手套和遥操作灵巧手采集的数据可以共同用于训练，不同动作模型也可以利用训练好的模型提取接触特征。这一架构还为未来接入新类型的触觉传感器留出了扩展空间。

　　在XHand1上，团队进一步验证了触觉能力的跨硬件复用。XHand1采用的磁触觉传感器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佩戴手套采集的数据。换到这只灵巧手后，团队保持LingBot-Touch参数不变，只用XHand1的操作示范训练动作模型。

　　针对近期具身大模型技术路线的演变，蚂蚁灵波CEO朱兴表示：“以GPT-6 Astra、Claude Fable 5.2为代表的数字世界大语言模型进展，确实让机器人的复杂任务推理和物理操作能力更强，这一点我们很关注，也在积极吸收。但产业一线的实践告诉我们，要真正跑通操作闭环，物理操作泛化性这块硬骨头还是绕不开，很大程度上仍要靠具身基础模型自身的突破。”

　　在他看来，通用大模型与具身基础模型更接近1+1>2的协同关系：前者增强对任务和环境的理解、推理能力，后者提升物理感知和闭环操作能力，两者各自突破、相互促进，共同加速具身智能产业的成熟。

　　“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，蚂蚁灵波将坚持具身原生路线，持续探索物理操作泛化性的新上限，打造跨构型的机器人行业通用大脑，推动视觉、深度、触觉乃至温度等更多物理模态在统一模型中对齐，并在推进商业化的同时持续向社区开源开放。

　　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。