这条从标题就能看出是触觉大模型方向，我需要先确认是哪家发的、模型叫什么、token 具体指什么。
主稿和官方通稿、以及同赛道的 FTP-1 论文都拿到了。再核对一下开源仓库与技术报告细节，以及有没有第三方质疑。
量子位原文、官方通稿、央广网、中国经营报、技术报告配套信息，以及同赛道的 FTP-1 论文都核对完了。有一处必须先说明：官方口径是 “26 项任务平均提升 14–26 个百分点”，部分转载压缩成 “平均 20+ 个百分点”；另外 “通用” 通的是表征层，不是动作层。下面成稿。
2026 年 11 月 10 日，蚂蚁灵波科技开源了触觉预训练基础模型 LingBot-Touch，技术报告、模型和代码一起放上了 Hugging Face、GitHub 和魔搭社区。它做的事可以一句话概括：在触觉传感器和动作模型之间插一层 “翻译”，把磁触觉、视触觉、压阻式三类完全不同的读数，统一编码成同一种触觉 Token，再交给上层的动作模型。预训练用了 4983 小时真实触觉数据、约 46.4 万段交互、13.3 亿帧，轻量版 LingBot-Touch-Tiny 只有约 532 万参数，接进现有动作模型后参数量只涨 0.13% 到 0.16%。效果上，官方在 Sharpa Wave 和 XHand1 两款灵巧手上做了 26 项真机测试，接入后 LingBot-VLA、π0.5、Diffusion Policy、T-Rex 四种动作模型的平均任务成功率，比完全不用触觉提高约 14 到 26 个百分点。最能说明问题的是那组反直觉的对照：同样 π0.5、同样拉拉链任务，不用触觉成功率 39%，把传感器原始读数原封不动喂进去掉到 15%，换成 LingBot-Touch 的触觉 Token 后回到 59%。也就是说，机器人不是缺触觉，是缺一个能读懂触觉的东西。
一、先看那组反直觉的数：为什么装了触觉反而更笨
| 任务组合 | 不用触觉 | 直接喂原始读数 | 接 LingBot-Touch |
|---|---|---|---|
| π0.5 + Sharpa Wave，拉拉链 | 39% | 15% | 59% |
| π0.5 + Sharpa Wave，交接盒子 | 57% | 48% | 63% |
| XHand1，6 项任务平均 | 49.71% | 48% | 74.17% |
第二列是全篇最该记住的一列。多一种感官，成功率反而掉，原因不在传感器，在信号本身：灵巧手大部分时间不接触物体，读数是一大片 “0”；真接触时信号又稀疏、带噪声；而且三类传感器的物理量根本不是一回事 —— 视触觉拍的是指尖软胶的形变，磁触觉测的是磁场变化，压阻式记的是电阻变化。同一个 “捏住瓶盖” 的动作，三种传感器给出三套毫不相干的数字，动作模型没经过对齐就直接用，相当于让人看三种外语写的情书。
所以 LingBot-Touch 的定位不是 “又给机器人加了一个感官”，而是 “给已有的感官配一个翻译”，输出的是动作模型能理解的四件事：碰在哪儿、用了多大劲、力往哪边偏、有没有打滑。
二、它具体怎么做的：四步
- 统一坐标。不同传感器的触点数量和排布差得离谱 —— 有的灵巧手光是拇指上就铺了 116 个触点，有的布料手套只有一个 3×3 的小阵列。团队把所有触点映射到同一个标准化指尖空间。
- 给每个 Token 发地址。这个地址由时间、手指编号、三维位置三部分构成，通过旋转位置编码（RoPE）进入模型。好处是模型不再要求固定触点数量，换一种布局照样能读。
- 按传感原理分入口，主干共享。三类传感器各有一个轻量编码入口，负责把原始读数转成 Token；入口之后共用同一个触觉 Transformer 主干。传感器之间的差异交给入口消化，接触本身的规律放到主干里一起学。
- 在特征空间里做预测。训练时随机遮住 90% 的触点，而且整段时间都遮着，让模型根据剩下 10% 的变化，去推断被遮住部分的表征。注意这里不还原原始读数。
第四步是关键设计。如果让模型还原原始读数，它会很快找到捷径 —— 把 “没碰到” 的背景学好，损失就降下来了，分数好看但没学到接触。走 JEPA 这条路之后，同样用 1000 小时数据训练，LingBot-Touch 判断接触中心的误差是 0.90 毫米，而 VAE 和 MAE 两种对照方法都在 3 毫米以上；用一段触觉去检索对应视频画面，前 5 召回率 32.07%，另两种方法都不到 6%。
三、三类传感器是怎么被统一的
| 传感原理 | 测的物理量 | 常见优势 | 常见短板 | 在模型里的处理 |
|---|---|---|---|---|
| 视触觉 | 指尖软胶的形变图像 | 空间分辨率高，能看出纹理和滑移方向 | 体积大、成本高、软胶易磨损 | 图像类入口，转成 Token |
| 磁触觉 | 磁场变化 | 耐用、不易受光照干扰 | 空间分辨率相对粗 | 阵列类入口，转成 Token |
| 压阻式 | 电阻变化 | 成本低、易大面积铺设 | 易漂移、需要标定 | 阵列 / 状态类入口，转成 Token |
这张表的价值在于解释 “为什么要分入口”：三者的量纲、采样率、空间结构完全不同，硬塞进同一个编码器只会互相干扰。而入口按原理分、不按产品型号分，是这套方案能接住没见过的型号的前提。
四、数据是怎么攒出来的：三分之二不靠机器人
| 数据来源 | 时长 | 传感类型 | 说明 |
|---|---|---|---|
| 人戴触觉手套采集 | 2197 小时 | 压阻式 | 只标任务类别（开、关、装配、倒水），没有一帧标力的数值 |
| 人戴触觉手套采集 | 1136 小时 | 磁触觉 | 同上 |
| 遥操 Sharpa Wave 双臂灵巧手 | 1650 小时 | 视触觉 | 带机器人本体动作 |
| 合计 | 4983 小时 | 三类 | 约 46.4 万段交互、13.3 亿帧 |
三分之二来自人戴手套干活，这个比例不是凑数凑出来的，是刻意选的：手套不依赖机器人本体，一个人一天能在普通环境里录好几个小时，数据规模才扩得上去。代价是这批数据没有力的大小标注，只有任务类别，所以模型学到的是 “接触长什么样”，不是 “力是多少牛”。
五、26 项任务、四款模型、两款手：结果怎么读
| 对照维度 | 具体设置 |
|---|---|
| 灵巧手 | Sharpa Wave（高自由度）、XHand1（低自由度） |
| 动作模型 | LingBot-VLA（自研）、π0.5、Diffusion Policy、T-Rex（外部三款） |
| 任务总数 | 26 项，两款手合计，含翻书页、拧瓶盖、叠杯、按软硬分拣、搬运易变形杯、辨识麻将牌、双手交接盒子 |
| 每组对照 | 三档：不用触觉 / 直喂原始信号 / 用 LingBot-Touch 提 Token |
| 总体结果 | 四种动作模型、两款手上，平均成功率较无触觉提高约 14 至 26 个百分点，且均为各自最高 |
| 单点最强 | T-Rex + Sharpa Wave 拧瓶盖：56.25% → 62.5% → 90% |
| 跨硬件验证 | XHand1 的磁触觉传感器型号不在预训练数据里，模型参数一个没改，只用语料微调动作模型，6 项任务平均从 48% 升到 74.17% |
| 分离叠杯 | 32.5% → 72.5%，翻了一倍多 |
| LingBot-VLA + XHand 搬易变形杯 | 58% → 90% |
读这张表要注意两点。第一，“26 项” 是两款手的合计，不是每款手各 26 项；XHand1 单独报的是 6 项平均。第二，最漂亮的那个 90% 是单任务单组合，不是整体水平；整体要看 14 到 26 个百分点这个区间，而且这个区间是厂商自测、自家设定的对照协议，没有第三方复现。
六、开源了什么，边界在哪
- 开源的：技术报告、模型权重、代码，三个渠道（Hugging Face、GitHub、魔搭），项目主页在 technology.robbyant.com/lingbot-touch。
- 两个版本：LingBot-Touch-Tiny 约 532 万参数，26 项真机测试全部用它跑完；LingBot-Touch-Small 容量更大，在感知测试里显示数据加到近 5000 小时后仍能获益。
- 不绑自研模型：四款动作模型都接了，意味着它卖的是中间那层感知能力，不是一套打包方案。
- 生态侧：本体伙伴乐聚、钛虎；场景伙伴国大药房、隆盛，在零售分拣、物流分拣、工业场景做商业化测试；简智科技参与共建数据体系。
- 已融合：与 LingBot-VLA、LingBot-Depth 完成融合，用于手眼协同。
七、五个必须打星号的地方
| 说法 | 实际情况 | 该怎么说 |
|---|---|---|
| “通用手感” | 通用的是触觉表征层，动作层仍需用目标硬件的示范数据微调 | 可以说 “触觉层跨硬件复用”，不能说 “下载即用、什么手都会干” |
| “平均提升 20+ 个百分点” | 官方口径是 14 至 26 个百分点 | 引用区间，不引用单值 |
| “触觉 Token 卷进大模型” | 训练目标是特征空间预测（JEPA），不是语言模型那种逐 token 生成 | 叫 Token 是因为它是统一表征单元，不是词表里的 token |
| 0.12 毫米 vs 2.19 毫米 | 这是接触中心定位误差，属感知层指标，和任务成功率不是一回事 | 不能拿它证明 “操作更准” |
| 与 FTP-1 的对比 | 两者定位不同：FTP-1 是策略层（generalist tactile policy），LingBot-Touch 是表征层；FTP-1 自报 5 种硬件配置 +17.2%、两种未见传感器 +31%，是它自己的实验协议 | 不同实验、不同协议，不可直接比较谁更强 |
补一句量级参照：有券商研报引用的行业估算认为，要让具身模型真正可用，需要千万小时级的真实交互数据，而当前全行业高质量真实物理交互数据总量约 50 万小时。按这个口径，4983 小时大约是全行业的 1%—— 这也是为什么 “用人戴手套采数据” 这条路被反复强调：它是唯一能低成本放量的入口。
八、和 FTP-1 不是一回事，别混着比
| 维度 | LingBot-Touch | FTP-1（arXiv 2606.13102） |
|---|---|---|
| 定位 | 触觉表征 / 感知层，输出 Token 给任意动作模型 | 触觉策略层，直接输出动作 |
| 数据 | 4983 小时，三类传感原理 | 约 3000 小时，26 个数据源、21 种传感器 |
| 统一方式 | 标准化指尖坐标 + 时间 / 手指 / 三维位置地址 + RoPE | 24 个功能区的形态感知 Token 空间（MTTS） |
| 主干 | 共享触觉 Transformer | 共享 300M 触觉专家，基于 π0.5 |
| 自报提升 | 26 项任务平均 +14 至 26 个百分点 | 见过的传感器配置 +17.2%，两种未见配置 +31% |
| 关系 | 可插在 π0.5、Diffusion Policy、T-Rex 上 | 本身就是一套策略，需要微调落地 |
一句话：FTP-1 想解决 “一只手学会的活，另一只手能不能直接干”；LingBot-Touch 想解决 “这只手的感觉，别的模型能不能读懂”。两者可以叠加，但不能拿一方的数字替另一方背书。
九、对产业的实际影响，以及后面盯什么
短期看，受益顺序大概是这样的：动作模型团队不用再为每种传感器重训触觉层；传感器和灵巧手厂商可以把精力放回标定、降噪、耐用性；整机厂获得选型自由，指尖用视触觉辨细小接触、手掌铺压阻阵列感大面积受力这类混合方案从概念变得可行。长期看，它真正改变的是数据资产的归属 —— 一只手上攒的接触经验，不再随硬件迭代清零。
后面盯三个信号：
- 第三方复现。14 到 26 个百分点是厂商自测，等高校或独立团队在公开任务集上跑出同量级结果，这个数字才算落地。
- 跨原理的真实迁移。现在的验证是 “同原理、不同型号”（磁触觉换型号）；真正的考验是视触觉经验能不能喂给压阻式手，这一步做通了才叫通用。
- 商业化场景的复购。国大药房、隆盛这些分拣场景跑完一轮之后，是继续加单还是回退，比发布会的数字更有说服力。
十、收尾
这次开源值得记的不是 “机器人有手感了” 这句话，而是那组 39%→15%→59% 的对照。它说明触觉这条路上，传感器只是入场券，能不能把接触翻译成动作模型听得懂的语言，才是分水岭。LingBot-Touch 把翻译这一层做成了可复用、可开源、可插拔的模块，这是实打实的进展；但 “通用” 目前只通到表征层，动作层仍要一只手一只手地教。真正的通用手感，得等视触觉的经验能直接喂给压阻式手的那天。
相关 FAQ
问题 1：LingBot-Touch 的触觉 Token 和语言模型里的 Token 是一回事吗？
回答 1：不是。LingBot-Touch 的触觉 Token 是一种统一表征单元，把磁触觉、视触觉、压阻式的读数都编码成同一种格式，每个 Token 带时间、手指编号、三维位置三部分地址，再通过 RoPE 进入模型；它的训练目标是特征空间预测（JEPA），靠遮住 90% 触点去推断被遮部分的表征，不是语言模型那种逐 token 自回归生成。叫它 Token，是因为它解决的是 “统一接口” 问题。
问题 2：为什么机器人装上触觉传感器后，成功率反而下降了？
回答 2：因为原始触觉读数不能直接用。灵巧手大部分时间不接触物体，读数是一大片 0；接触时信号稀疏带噪；三类传感器的物理量还各不相同。实验里 π0.5 拉拉链从 39% 掉到 15%、交接盒子从 57% 掉到 48%，都是直喂原始信号的结果。LingBot-Touch 的作用就是把读数翻译成接触位置、受力大小、力方向、是否打滑这四类信息，同一任务回到 59% 和 63%。
问题 3：LingBot-Touch 说的 “通用手感”，到底通用到什么程度？
回答 3：通用在触觉表征层，不在动作层。跨硬件验证是真的：XHand1 用的磁触觉传感器型号没出现在预训练数据里，LingBot-Touch 参数一个没改，6 项任务平均成功率就从 48% 升到 74.17%。但动作模型仍需用这只手的少量示范数据做微调。所以准确说法是 “触觉层不用重训”，不是 “下载即用、什么手都会干”。
问题 4：LingBot-Touch 和自己训一套触觉模型，成本差在哪？
回答 4：差在不用为每种传感器重建数据管线和触觉模型。自己训一套，得按型号做标定、标注、对齐，硬件一迭代就推倒重来；LingBot-Touch 按传感原理设入口、按统一指尖坐标对齐触点，同一原理下的新型号可以直接接。轻量版只有约 532 万参数，接进 LingBot-VLA、π0.5、T-Rex 后参数量只涨 0.13% 到 0.16%，端侧算力压力很小 —— 这一点对真机闭环很关键，因为打滑发生后留给计算的时间窗口很短。
参考资料
- [2026-11-10]（触觉也能 Token 化？蚂蚁灵波实现机器人 “手感” 跨硬件复用）中国经营报
- [2026-11-10]（从 “一脑多机” 到 “一脑多手”，蚂蚁灵波开源 LingBot-Touch 触觉基础模型）央广网
- [2026-11-10]（Token 卷到触觉了！机器人终于有了通用手感）量子位
- [2026-11-10]（蚂蚁灵波开源触觉基础模型，让机器人的 “手感” 可以复用）光子星球
- [2026-11-10]（通用大脑能力再提升，蚂蚁灵波发布 LingBot-Touch 触觉基础模型）TechWeb
- [2026-11-10]（蚂蚁灵波发布 LingBot-Touch 触觉基础模型）36 氪
- [2026-11-10]（通用大脑能力再提升，蚂蚁灵波发布 LingBot-Touch 触觉基础模型）IT 之家
- [2026-11-10]（通用大脑能力再提升，蚂蚁灵波发布 LingBot-Touch 触觉基础模型）中国青年网
- [2026-10-14]（Tactile-Guided Robot Learning: From Representation Learning to Foundation Models）arXiv
- [2026-08-08]（人形机器人行业深度报告：具身智能理想载体，奇点渐至未来可期）东方财富研报中心
- [2026-06-11]（FTP-1: A Generalist Foundation Tactile Policy Across Tactile Sensors for Contact-Rich Manipulation）arXiv
免责声明
本文为厂商通稿、媒体报道、公开技术信息与同赛道论文的整理比对，不构成投资建议。文中 4983 小时预训练数据（2197 小时压阻式 + 1136 小时磁触觉 + 1650 小时视触觉）、约 46.4 万段交互、13.3 亿帧、LingBot-Touch-Tiny 约 532 万参数（官方通稿写作 “约 530 万”）、26 项真机测试、平均成功率提高 14 至 26 个百分点、参数量增加 0.13% 至 0.16%、T-Rex 拧瓶盖 56.25%→62.5%→90%、π0.5 拉拉链 39%→15%→59%、交接盒子 57%→48%→63%、XHand1 六项平均 49.71%→48%→74.17%、分离叠杯 32.5%→72.5%、LingBot-VLA 搬易变形杯 58%→90%、接触中心定位误差 0.90 毫米以及前 5 召回率 32.07% 等数据，均来自蚂蚁灵波官方通稿与量子位报道，属厂商自测口径，未见第三方独立复现；其中接触中心误差 0.12 毫米与 FTP-1 的 2.19 毫米为感知层定位指标，与任务成功率不可互换解读。部分转载将 “14 至 26 个百分点” 概括为 “平均 20+ 个百分点”，本文按官方区间引用。FTP-1 的 +17.2%、+31% 等数字出自其自身论文实验协议（arXiv 2606.13102），与本文主体不是同一实验，不可直接比较。行业内 “需千万小时级真实交互数据、当前总量约 50 万小时” 的量级参照来自券商研报转引的行业估算，非权威统计。所引三类传感原理的优劣归纳为行业通行分类，具体型号表现以厂商规格书为准。“通用手感” 指触觉表征层可跨传感器、跨灵巧手、跨动作模型复用，不表示动作策略层无需针对目标硬件微调。产品与开源内容的后续更新、许可证条款及商用限制，请以官方仓库与项目主页为准。