蚂蚁灵波开源触觉基础模型 LingBot-Touch：近 5,000 小时真实触觉预训练，跨传感器与灵巧手迁移，接入 π0.5/LingBot-VLA 后真机成功率提升 22–25 个百分点

这件事意味着什么

【要点】

· 发布：蚂蚁集团旗下具身智能公司灵波科技（Robbyant）于 2026-11-09 开源 LingBot-Touch，一个面向灵巧操作的触觉基础模型。

• · 方法：基于 JEPA，在隐空间里做掩码预测。
• 三种触觉传感（压阻、磁、视触觉）各用一个专用 tokenizer，再共用一个 Haptic Transformer，并把所有传感器的触点映射到同一套「标准指尖坐标」。

• · 数据：预训练用了 4,983 小时真实触觉数据，约 13.3 亿帧、46.4 万个交互片段。
• 按传感类型分：压阻 2,197h、磁 1,136h、视触觉 1,650h。
• 数据来自人戴的触觉手套和遥操作的机器人手。

• · 权重：Tiny 545 万参数，Small 2,176 万参数，都是 12 层；HF 权重文件约 22MB / 87MB。
• Apache-2.0 许可，HF 不需申请即可下载。

• · 真机：在 Sharpa Wave 和 XHand1 两种灵巧手上测了 26 个任务，每个任务 20 次。
• 只在后训练时加入冻结的触觉特征，成功率变化：Diffusion Policy 21.6%→35.6%，π0.5 48.1%→69.9%，LingBot-VLA 48.3%→73.1%，T-Rex 45.4%→68.6%。
• 新增参数不到 0.2%。

· 仿真：12 个强化学习任务的平均成功率为 69.0%，任务专用 CNN 特征为 45.6%，不用触觉为 21.4%。

· 迁移：XHand1 用的磁传感器型号不在预训练数据里，不做任何重训练也能用，探测任务全面优于加了专用适配器的 FTP-1。

【我们的判断】

一

背景

· 触觉一直没有「ImageNet 时刻」，因为每种传感器的通道、布局和采样率都不一样，数据没法合到一起训练。

• · LingBot-Touch 的思路是先把传感器差异抹平：统一坐标，再加专用 tokenizer，然后才堆数据。
• 这次放出的只有推理代码、冻结编码器和少量样例数据，5,000 小时语料和训练代码都没有公开。

• · 它也是灵波 LingBot 具身系列的一部分。
• 论文里的主力下游策略就是自家的 LingBot-VLA。

二

对照

· 对比 Meta 的 Sparsh、Sparsh-skin、Sparsh-X（后者基于 Digit 360）：Sparsh 系列大多只覆盖一种传感，LingBot-Touch 用一个编码器同时处理压阻、磁、视触觉三类。

• · 对比 FTP-1：论文报告，在没见过的传感器上，LingBot-Touch 的触点中心误差比 FTP-1 在已见传感器上的误差还低一个数量级以上。
• 这是作者自测，尚无第三方复现。

• · 对比 NVIDIA GR00T 2（本站 e/1095）：GR00T 2 是视频加动作的世界-动作模型，代码 12 月才开放。
• LingBot-Touch 是可以直接插进现有策略的触觉编码器，今天就能下载。
• 两者互补，不是竞争关系。

三

影响

• · 最值得注意的一点：直接把原始触觉信号喂给策略，最多只能拿到约一半的提升，在 104 组对比中还有 22 组变差。
• 这说明决定效果的是表示，不是有没有装传感器。

· 接下来要看三件事：第三方能否在其他手和传感器上复现，语料或训练配方会不会开放，以及正式论文（BibTeX 待补）。

【可核验】

• · 项目页
• · GitHub（Apache-2.0，含论文 PDF）
• · HF Tiny
• · HF Small
• · 官方 X 发布帖
• · 本站相关：NVIDIA GR00T 2（e/1095）；蚂蚁灵波具身大模型挑战赛（e/23）