蚂蚁灵波开源触觉基础模型LingBot-Touch，真机测试任务成功率最高提升26个百分点

11月10日，蚂蚁灵波科技开源触觉基础模型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。

该模型可将不同传感信号转化为统一的触觉Token，形成同一套触觉表征，让积累的“手感”能够跨传感器、跨灵巧手、跨模型和跨任务复用，降低硬件适配成本。

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。此次LingBot-Touch已接入LingBot-VLA，将感知能力延伸至“指尖”。

在真实物理世界中，机器人每执行一步动作，都要感知物体和环境发生的变化，再修正下一步动作。许多精细操作中，手指碰到物体之后，受力是否合适、物体是否滑移，仅靠视觉难以判断。

以灵巧手拧瓶盖为例，深度信息可以帮助手指对准瓶盖；开始转动后，瓶盖可能已经松动，也可能指腹正沿着盖壁打滑，这两种情况在画面中相似，却需要不同的动作调整。

此时，指尖的接触位置、受力大小及其变化，成为动作模型的重要判断依据，而这些信息往往被手指和物体遮挡，视觉难以获得。

为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为62.5%，接入LingBot-Touch的触觉表征后成功率达到90%。

LingBot-Touch的轻量版LingBot-Touch-Tiny参数量约530万，接入后仅给动作模型带来0.13%至0.16%的参数量增量，适配端侧算力需求。

蚂蚁灵波表示，数字大模型与具身基础模型属于协同互补关系，公司将持续深耕具身原生路线。

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。

市场有风险，投资需谨慎。本文为AI基于第三方数据生成，仅供参考，不构成个人投资建议。