蚂蚁灵波开源触觉基础模型LingBot-Touch：统一三类传感器信号，真机任务成功率最高提升26个百分点

事件核心：发生了什么

2026 年 11 月 10 日，蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，模型、技术报告和代码已上线 Hugging Face、GitHub 和魔搭社区。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，先将不同原始信号分别编码，再映射到统一的指尖坐标空间，输出统一的触觉 Token。蚂蚁灵波在 Sharpa Wave 和 XHand1 两款灵巧手上完成 26 项真机测试，涵盖翻书页、拧瓶盖、辨识麻将牌等任务。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。其中 T-Rex 控制 Sharpa Wave 拧瓶盖的成功率从 56.25% 提升至 90%。

为什么重要

视觉能让机器人对准物体，却难以判断接触后的受力、滑移和松动，而这些信息往往被手指和物体遮挡。触觉数据长期难以通用：不同传感原理和触点布局产生的原始信号差异大，模型若只适配一种传感器，更换硬件就要重新采集和训练。LingBot-Touch 的价值在于把触觉理解从特定传感器中解耦，让数据和人戴触觉手套采集的经验可以跨传感器、跨灵巧手、跨动作模型复用。它不绑定蚂蚁灵波自研策略，定位是传感器与动作模型之间的通用感知层，有助于降低硬件厂商和整机团队的适配成本，也是蚂蚁灵波“具身原生”路线在指尖感知上的补位。

对用户/开发者/创作者的影响

开发者可以直接在 Hugging Face 和 GitHub 获取模型与代码，将其接入现有 VLA 或动作策略。轻量版 LingBot-Touch-Tiny 约 530 万参数，接入 LingBot-VLA、π0.5 和 T-Rex 后参数量仅增加约 0.13% 至 0.16%，对端侧算力压力较小。需要说明的是，上述成功率数据仅来自蚂蚁灵波公布的 26 项真机测试及特定硬件条件，并非长期排名，实际效果还取决于传感器安装、任务设计和动作模型适配。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

一是社区开发者能否在更多灵巧手和传感器型号上复现效果；二是容量更大的 LingBot-Touch-Small 在增加预训练数据后能否继续提升；三是其他具身智能团队是否会跟进统一触觉表征的开源方案，以及这一感知层能否在真实商业场景中稳定落地。

来源：InfoQ CN