蚂蚁灵波科技11月10日开源触觉基础模型LingBot-Touch，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传感原理，已接入LingBot-VLA，技术报告、模型和代码已在Hugging Face、GitHub和魔搭社区开放下载。
AI解读：LingBot-Touch要解决的是触觉数据的跨硬件复用问题：同一接触在不同传感原理和触点布局下产生不同原始信号，只学一种信号的模型在更换传感器或灵巧手后需要重新采集、训练和适配。模型按传感原理分别设置编码入口，再把不同布局的触点映射到统一指尖坐标空间，输出统一的触觉Token，使动作模型可直接用它提取接触特征。
这一设计在XHand1上得到验证：该灵巧手所用磁触觉传感器型号不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据；换到XHand1后，团队保持LingBot-Touch参数不变，只用XHand的操作示范训练动作模型。这支持“触觉表征可跨硬件复用”的判断，但适用范围限于文中所述设置。
26项真机测试覆盖翻书页、拧瓶盖、辨识麻将牌等精细操作，使用Sharpa Wave和XHand1两款灵巧手，接入LingBot-VLA、π0.5、Diffusion Policy和T-Rex四种动作模型后，平均任务成功率较无触觉时提高约14至26个百分点。其中T-Rex控制Sharpa Wave拧瓶盖一项，无触觉为56.25%，直接输入传感器原始信号为62.5%，接入LingBot-Touch触觉表征后达90%。
蚂蚁灵波此次测试全部使用约530万参数的轻量版LingBot-Touch-Tiny，接入LingBot-VLA、π0.5和T-Rex后参数量仅增加约0.13%至0.16%。容量更大的LingBot-Touch-Small在感知测试中显示，预训练数据增至近5000小时时模型仍能从新增数据中获益；公司据此称触觉预训练还有继续扩展的空间，这属于其自述的潜力判断，不是已公开的任务成功率数据。
公司方面表示，模型不绑定自家动作模型，定位是位于触觉传感器和动作模型之间的通用感知能力。对使用者的实际含义是：传感器与灵巧手厂商可按成本和任务选硬件，整机团队可保留自己的动作策略，并以两种容量版本在感知能力与端侧算力之间取舍。
11月10日，蚂蚁灵波科技开源触觉基础模型LingBot-Touch，为机器人大脑补齐触觉感知能力。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。
蚂蚁灵波称，LingBot-Touch已接入其LingBot-VLA。此前其通用大脑覆盖高精度空间感知、高动态环境交互和可泛化灵巧操作；此次将感知能力延伸到指尖。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。
26项真机测试与成功率数据
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，公司称四种模型均达到各自最高水平。
- T-Rex控制Sharpa Wave拧瓶盖：无触觉成功率56.25%，直接输入传感器原始信号62.5%，接入LingBot-Touch触觉表征后为90%。
- 此次26项真机测试全部使用约530万参数的轻量版LingBot-Touch-Tiny完成。
- 接入LingBot-VLA、π0.5和T-Rex后，模型参数量仅增加约0.13%至0.16%。
统一触觉表征如何跨传感器和灵巧手复用
蚂蚁灵波指出，商用触觉传感器整体仍处于较早发展阶段，视触觉、磁触觉、压阻式等路线各有优势与局限，多种技术路线可能长期并存。难点在于数据难以直接通用：同样一次接触，在不同传感原理和触点布局下会形成不同原始信号，模型若只学会解读其中一种，更换传感器或灵巧手后已有数据和触觉经验就难以复用。
LingBot-Touch按传感原理分别设置编码入口，先处理不同原始信号，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。公司称，人戴触觉手套和遥操作灵巧手采集的数据因此可以共同用于训练，不同动作模型也可利用训练好的模型提取接触特征；架构还为接入新类型触觉传感器留出扩展空间。
- XHand1所用的磁触觉传感器型号不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。
- 换到XHand1后，团队保持LingBot-Touch参数不变，只用XHand的操作示范训练动作模型。
- 蚂蚁灵波称该模型不绑定自研动作模型，定位是触觉传感器与动作模型之间的通用感知能力。
两种容量版本与公司对路线的表态
为兼顾感知能力与端侧算力，蚂蚁灵波提供两种容量的模型。此次真机测试使用的是轻量版LingBot-Touch-Tiny；容量较大的LingBot-Touch-Small在感知测试中表现出进一步提升的潜力——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，公司据此称触觉预训练还有持续扩展提升的空间。
针对具身大模型技术路线，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让机器人的复杂任务推理和物理操作能力更强，公司对此很关注也在积极吸收；但产业一线实践表明，跑通操作闭环仍很大程度要靠具身基础模型自身的突破。他认为通用大模型与具身基础模型更接近1+1＞2的协同关系。
- 朱兴称“模态输入的质量很大程度上决定了动作输出的质量”，蚂蚁灵波将坚持具身原生路线，并推进视觉、深度、触觉乃至温度等更多物理模态在统一模型中对齐。
- 公司称将在推进商业化的同时持续向社区开源开放。