蚂蚁灵波开源触觉基础模型 LingBot-Touch，实现跨硬件与跨任务复用

11月10日，蚂蚁灵波科技正式开源触觉基础模型 LingBot-Touch，旨在为机器人大脑补齐关键的触觉感知能力。该模型基于近 5000 小时的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。其核心功能是将不同信号转化为同一套触觉表征，供不同的灵巧手和动作模型使用，使机器人在具备清晰视觉与推理能力的同时，也能完成精细操作所需的触感判断。在验证触觉表征对真实操作的帮助时，蚂蚁灵波于 Sharpa Wave 和 XHand1 两款灵巧手上进行了 26 项真机测试，任务涵盖翻书页、拧瓶盖、辨识麻将牌等场景。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了约 14 至 26 个百分点。以 T-Rex 控制 Sharpa Wave 拧瓶盖为例，接入该模型的触觉表征后，任务成功率从直接输入传感器原始信号的 62.5% 提升至 90%。针对商用触觉传感器数据难以通用的行业痛点，LingBot-Touch 采用统一触觉表征架构。模型按传感原理设置编码入口，先将不同布局的触点映射到统一的指尖坐标空间，再输出统一的触觉 Token。这一设计使人戴触觉手套和遥操作灵巧手采集的数据可共同用于训练，且新类型传感器接入时也能兼容。在 XHand1 测试中，团队验证了该模型利用人戴手套采集数据训练的磁触觉经验，可在未使用预训练过磁触觉传感器的 XHand1 上直接复用。为兼顾感知能力与端侧算力，蚂蚁灵波提供了两种容量的模型版本。此次真机测试全部使用约 530 万参数的轻量版 LingBot-Touch-Tiny 完成，接入后模型总参数量仅增加约 0.13% 至 0.16%。容量较大的 LingBot-Touch-Small 在感知测试中表现潜力更大，当预训练数据增至近 5000 小时时，模型仍能从新增数据中获益。蚂蚁灵波 CEO 朱兴表示，虽然通用大模型在复杂任务推理上进展显著，但物理操作泛化性的突破仍需依赖具身基础模型。蚂蚁灵波将坚持具身原生路线，持续探索物理操作泛化性上限，打造跨构型的机器人行业通用大脑，推动视觉、深度、触觉乃至温度等多模态在统一模型中对齐，并向社区开源开放相关代码与模型。目前，LingBot-Touch 的技术报告、模型和代码已在 Hugging Face、GitHub 和魔搭社区开源下载，开发者可访问并调用该触觉基础模型以提升其机器人系统的感知与操作性能。