LingBot-Touch：0.13% 参数换 25 个点

机器人拧瓶盖卡住时，画面里看不出区别：可能是盖子已经松动，也可能是指腹正在打滑。

两种状态的下一步动作完全相反，而它们都被手指和物体挡住。蚂蚁集团旗下灵波科技 11 月 10 日开源的 LingBot-Touch，就是要把这段看不见的接触，编码成动作模型能读的 Token。

三类传感器，先折进同一套指尖坐标

触觉数据一直没形成规模，原因不在采集量，而在坐标系。

磁触觉测磁场偏移、视触觉从内部拍摄软皮肤形变、压阻式测电阻变化，同一次接触会生成三种完全不同的原始信号；触点数量和排布也各不相同。模型只学会读其中一种，换一只手就要重新采数据、重新训练。

灵波的处理顺序是先把几何差异消掉，再谈语义。所有触点被映射进一个标准指尖坐标空间，每个 Token 带一个由时间、手指编号、三维位置构成的地址，位置信息用 5D RoPE 注入。

这样模型看到的是「手指上的某个位置」，而不是「某个传感器阵列里的第 37 号触点」，输入不再依赖固定的触点数量。

在此之上，三类传感原理各配一个轻量 tokenizer，消化各自的物理差异，随后汇入共享的 Haptic Transformer 主干。

训练走 JEPA 路线：遮住一部分触觉 Token，让模型在潜空间里预测被遮住位置的表示，而不是重建原始读数；目标编码器用 EMA 更新、不传梯度。

语料没有接触标签，模型学到的是接触发生在哪、力有多大、随时间怎么变。

4983 小时里，三分之二来自人的手

预训练语料为 4,983 小时、464,431 段交互、约 13.3 亿帧。按传感原理拆：压阻 2,197 小时、磁 1,136 小时、视触觉 1,650 小时。

来源有两类：人戴触觉手套做操作任务，以及装了 Sharpa Wave 手的遥操作双臂机器人。据第三方拆解报道，其中约三分之二来自人手采集。

人手数据占比高，恰好解释了它后来为什么能跨硬件迁移：手套数据与具体灵巧手型号无关，模型被迫学接触物理，而不是学某只手的信号格式。

26 项任务：平均涨 13.9 到 24.8 个点

真机测试在 Sharpa Wave（20 项任务）与 XHand1（6 项任务）两款灵巧手上完成，每项任务连续评估 20 次，示范数据 200 段、需双手的任务 500 段。

四种动作模型各按三种条件后训练：不加触觉、直接喂原始触觉信号、接入冻结的 LingBot-Touch-Tiny 编码器。

把四组数取算术平均，40.85% 变成 61.78%，提升 20.9 个百分点，相对涨幅约 51%。这是本文自算，官方只给区间：13.9 到 24.8 个百分点。

两家媒体转述为 14 到 26 个百分点，差异来自取整与统计口径。

真正说明问题的是中间那根柱子。官方称直接喂原始触觉信号，最多只能拿到一半左右的增益。

也就是说，这 20 个百分点里有一半不是「多了一个模态」带来的，而是「把异构信号翻译成同一套表征」带来的。

单项案例与仿真侧

官方给的单项例子更直观：T-Rex 控制 Sharpa Wave 拧瓶盖，无触觉 56.25%，直接喂原始信号 62.5%，换成 Touch 表征后 90%。

原始信号只多赚 6.25 个点，表征再多赚 27.5 个点。同一个动作模型、同一批示范，差别只在输入怎么表示。

仿真侧 12 项强化学习任务的平均成功率：看 LingBot-Touch 潜变量 69.0%，看任务专用 CNN 特征 45.6%，不看触觉 21.4%。这说明表征在 RL 策略里同样可用，不局限于模仿学习。

一次真正的跨硬件迁移

XHand1 使用的磁触觉传感器型号不在预训练数据里，模型学到的磁触觉经验全部来自人戴手套采集的数据。

测试时 LingBot-Touch 参数一个都没动，只用 XHand1 的操作示范重训动作模型，任务仍然跑通；在探测类任务上，表现优于加了专用适配器的 FTP-1。

这说明统一表征不是营销话术，而是有对照实验支撑的能力。但迁移并非零成本：每根手指仍需配置旋转、参考原点、半径、偏移四组标定参数，指序、手性、量程也要对上。

论文自己也列了三条边界：只测了两款灵巧手，没有覆盖电容式传感器，触觉覆盖集中在指尖而不是掌面。换成便宜夹爪、软体手或人形整机，跨设备泛化目前没有对应证据。

这份开源，开到的是推理层

代码在 GitHub、权重在 Hugging Face 与魔搭，均为 Apache-2.0；技术报告在 arXiv（2611.12806），CC BY 4.0。

两个规格：Tiny 546 万参数、Small 2,176 万参数，都是 12 层，权重文件约 22MB 与 87MB。

仓库给的是冻结的目标编码器、推理配置、推理脚本和自带样例数据，默认在 CPU 上就能跑出 Token 级表征。

没给的是 4,983 小时语料、训练代码、下游任务头、优化器状态与训练日志。想从零训一个自己的触觉基础模型，这批资料不够。

开放程度直接影响复用姿势：把预训练好的编码器插进现有策略，是这次发布支持的做法；想按自己的传感器分布重训主干，做不到。

对照 Qwen3.8-27B 那类权重全开的开源模型，触觉基础模型的开放度目前停在推理层。

另有一条需要标注：Humanoids Daily 在报道中披露，Robbyant 为其在 X 上的推广帖文付费，报道本身由该媒体独立完成；所有成功率均来自官方技术报告与项目页，尚无第三方复现。

它和 VLA 不是替代关系

Gemini Robotics 2.5 这类 VLA 模型 解决的是看明白、伸手过去，LingBot-Touch 接的是碰到之后。

两条线可以叠：VLA 负责接近与对位，触觉表征负责接触状态的持续判断。灵波 CEO 朱兴的说法是通用大模型与具身基础模型「1+1 大于 2」，这句话的实测依据目前只有自家 26 项任务。

值得留意的还有供应链问题。触觉基础模型的权重会像语言模型一样被反复下载，而权重层被植入后门已经有实测案例：改几个神经元就能让模型在特定触发下输出指定内容。

接入第三方触觉编码器时，来源校验与版本绑定不该省。

小结：0.13% 换 20 个点，天花板在数据

LingBot-Touch 的价值不在参数规模，而在把「触觉不可通约」这个工程难题拆成了两步：先用几何归一化抹平硬件差异，再用共享主干联合学习物理规律。

0.13% 的参数增量换 20 个百分点，是这份工作最硬的一句话。它把触觉从「多加一个传感器」变成了「多加一个可复用的表征层」。

但它的天花板也很清楚：触觉语料只有 4,983 小时，而采集成本与人力强绑定，扩一个数量级不是加机器的事。

Small 版在 5,000 小时附近仍在获益，说明还没到饱和点；至于再往上能涨多少，目前没有人给出曲线。