蚂蚁灵波啃下硬骨头 拿下具身智能最难的 “最后一厘米”

标题：蚂蚁灵波开源 LingBot-Touch 触觉模型：具身智能最后一厘米的感知补齐与真机测试梳理

2026 年 11 月 10 日，蚂蚁集团旗下具身智能公司蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，把磁触觉、视触觉、压阻式三类主流传感器的原始信号统一编码为可复用的触觉表征，供不同灵巧手和动作模型调用。在具身智能语境里，"最后一厘米" 指的是手碰到物体之后的接触感知环节：机器人靠视觉能看清物体位置、把手伸到正确位置，但接触后的受力大小、是否滑移、接触点变化，往往被手指和物体遮挡，视觉难以判断，需要触觉补上这一环。模型基于近 5000 小时真实触觉数据预训练，在两款灵巧手的 26 项真机任务中，四种动作模型接入后平均任务成功率提升约 14 至 26 个百分点；技术报告、模型权重和代码已在 Hugging Face、GitHub 和魔搭社区开源。这一步是蚂蚁灵波 "具身原生" 路线的延续，在空间感知、环境交互、灵巧操作之外，把通用大脑的能力延伸到指尖。

一、发布与产品基本信息

二、为什么触觉是 "最后一厘米"

1. 视觉覆盖不到接触瞬间

• 以拧瓶盖为例：深度信息帮助手指对准瓶盖；开始转动后，瓶盖可能已松动，也可能指腹正沿盖壁打滑，两种情况画面相近，却需要不同动作调整。
• 指尖接触位置、受力大小及其变化，常被手指和物体遮挡，视觉无法稳定获取。
• 类似场景包括夹取玻璃弹珠时分辨极小接触变化、托住包裹时感知重量分布、判断手指是否打滑等。

2. 物理操作闭环对感知的要求

• 通用大模型擅长任务理解和步骤推理，但高精度控制、动态控制、复杂双臂配合仍需面向物理世界的感知与闭环能力；
• 机器人每执行一步动作，都要感知物体和环境变化，再修正下一步动作；
• 触觉、力觉、温度等接触模态，是动作输出质量的重要输入。

三、模型架构与统一表征方式

跨硬件复用验证

• XHand1 采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来自人戴手套采集的数据；
• 换到该灵巧手后，LingBot-Touch 参数保持不变，仅用 XHand 的操作示范训练动作模型；
• 模型位于触觉传感器和动作模型之间，不绑定某一硬件或某一策略，整机团队可保留自有动作策略。

四、真机测试结果

1. 测试配置

2. 成功率对照

• 四种动作模型在两款灵巧手上的平均任务成功率，较无触觉状态提高约 14 至 26 个百分点；
• 更大容量版本 LingBot-Touch-Small 在感知测试中显示出进一步提升潜力，预训练数据增至近 5000 小时时模型仍能从新增数据中获益。

五、技术路线演进

• 蚂蚁灵波将路线定位为 "具身原生"：在真实物理场景中匹配数据、感官和预训练，而非只嫁接数字世界模型的适配层；
• 对通用大模型与具身模型的关系，团队判断为 1+1>2 的协同：前者增强任务与环境理解，后者提升物理感知和闭环操作能力。

六、产业合作与落地场景

七、后续可跟踪要点

• 触觉模型在更多灵巧手、传感器路线和任务类型上的复用表现；
• 轻量版与 Small 版在端侧算力和感知精度上的平衡；
• 零售、物流、工业装配等场景从测试走向批量部署的进度；
• 视觉、深度、触觉、力觉、温度等物理模态在统一模型中的对齐进展；
• 开源社区对模型、代码和数据体系的采用与二次开发情况。

整体来看，LingBot-Touch 的价值在于把触觉能力从 "每种硬件、每套模型重新适配" 变成一层可复用的感知底座：传感器和灵巧手厂商可按成本与任务选型，整机团队可保留自有策略，减少重复开发。当前验证集中在指定灵巧手和精细操作任务，成功率提升是特定配置下的测试结果；具身智能要走到规模化落地，触觉数据规模、跨硬件泛化和真实场景闭环仍需持续验证。

【常见问题】

问题 1：蚂蚁灵波这次开源的 LingBot-Touch 是什么，解决具身智能的哪一环问题？

回答 1：LingBot-Touch 是面向灵巧操作的触觉基础模型，基于近 5000 小时真实触觉数据预训练，把磁触觉、视触觉、压阻式信号统一为可复用的触觉 Token；它补齐的是手接触物体后的接触感知环节，解决视觉被遮挡时受力、滑移和接触点变化难以判断的问题。

问题 2：LingBot-Touch 在真机测试中表现如何，成功率提升了多少？

回答 1：测试在 Sharpa Wave 和 XHand1 两款灵巧手上完成 26 项任务，接入 LingBot-VLA、π0.5、Diffusion Policy、T-Rex 四种动作模型后，平均任务成功率较无触觉状态提高约 14 至 26 个百分点；以 T-Rex 拧瓶盖为例，无触觉 56.25%、原始信号直输 62.5%、接入触觉表征后达到 90%。

问题 3：LingBot-Touch 如何实现跨传感器、跨灵巧手复用？

回答 1：模型按传感原理分别编码，将不同布局触点映射到统一指尖坐标空间，由共享模型输出统一触觉 Token；人戴手套和遥操作灵巧手数据可共同训练，在 XHand1 未见过的传感器型号上保持模型参数不变即可配合动作模型使用，不绑定特定硬件或策略。

问题 4：蚂蚁灵波的具身原生路线和通用大模型是什么关系，目前有哪些产业合作？

回答 1：蚂蚁灵波坚持自研具身基础模型补齐物理感知与闭环操作，同时吸收通用大模型的任务推理能力，两者按 1+1>2 协同推进；目前已与乐聚、钛虎等本体厂商及国大药房、隆盛等场景伙伴开展零售分拣、物流分拣、工业装配测试，并联合数据伙伴共建标准化数据体系。

【参考资料】

• [2026-11-12]（fable、astra 走向物理世界，蚂蚁灵波选择从指尖扎根）36 氪・今日头条
• [2026-11-11]（"机器换人"60 年：蚂蚁灵波在物理 AI 放量前夜补上触觉这一环）同花顺财经
• [2026-11-11]（"机器换人"60 年：蚂蚁灵波在物理 AI 放量前夜补上触觉这一环）澎湃新闻
• [2026-11-11]（蚂蚁灵波啃下硬骨头，拿下具身智能最难的 "最后一厘米"）投中网・今日头条
• [2026-11-10]（坚持具身原生路线，蚂蚁灵波发布 LingBot-Touch 触觉基础模型）36 氪
• [2026-11-10]（蚂蚁灵波又放大招！机器人通用大脑学会共享 "手感"）智东西
• [2026-11-10]（蚂蚁灵波科技开源触觉基础模型 LingBot-Touch）中证网
• [2026-11-04]（世界级开源具身基模亮相乌镇，中国机器人大脑走向全球）IT 之家
• [2026-09-09]（2026 外滩大会探展：机器人不只拼身体，蚂蚁灵波把 "大脑" 带进真实产业）中国日报网

【免责声明】

本文基于企业发布、媒体报道和开源资料整理，测试成功率、参数量增量和数据时长均为特定灵巧手、任务集、动作模型与软件版本下的口径，不代表全场景、全硬件条件下的固定表现；模型能力可能随版本迭代、传感器适配和数据扩充发生变化，开源许可与商用范围以项目社区发布为准。本文仅作技术信息梳理，不构成投资、采购或合作建议，机器人产品落地效果需结合真实场景实测与独立评估。