LingBot-Touch 开源触觉基础模型，依托 4983 小时预训练数据实现拧瓶盖 90% 成功率

蚂蚁灵波正式开源 LingBot-Touch 触觉基础模型，这套模型使用 4983 小时真实触觉数据完成预训练，在拧瓶盖对照实验中，接入 LingBot-Touch 之后机器人操作成功率达到 90%，它最大的亮点是可以兼容压阻式、磁触觉、视触觉三类主流触觉传感器，把不同硬件输出的原始触觉信号转换成统一的触觉表征，也就是让机器人拥有通用可迁移的 “手感”，很多机器人方案只是简单把传感器原始数据喂给策略模型，不同灵巧手、不同传感器的数据没法互通，打滑、受力变化很难识别，而 LingBot-Touch 采用自监督学习方式，不需要人工标注接触信息，就能自主学习抓握、旋转、打滑、挤压这些物理交互规律，开发者拿到开源权重之后，可以直接对接现有的灵巧手和动作策略，不用从零采集海量触觉数据，除了拧瓶盖之外，还在开锁、挤牙膏、密封袋压合等 26 项真机任务做了验证，整体操作成功率都有明显提升。

一、模型核心训练数据明细

二、拧瓶盖对照实验对比

三、LingBot-Touch 的技术特点

1. 异构触觉统一编码：不同厂商、不同原理的触觉传感器输出格式差异很大，模型单独做 Tokenizer 处理，再送入共享 Haptic Transformer，输出统一触觉 Token。
2. 自监督预训练，免标注：训练采用 JEPA 预测架构，随机遮挡部分触觉信号，让模型预测潜在接触特征，不用人工标注受力、打滑位置，降低触觉数据标注成本。
3. 轻量适配端侧：Tiny 版本参数量约 530 万，接入现有策略模型之后，整体参数量只增加 0.13%~0.16%，对算力压力很小，适合直接部署在灵巧手端侧。
4. 跨硬件迁移：在 A 灵巧手上学到的触觉交互规律，可以迁移到另一款不同传感器的灵巧手，解决触觉数据孤岛问题。

四、26 项真机任务验证结论

• 测试硬件：两款灵巧手，搭配 LingBot-VLA、π0.5、T-Rex 等 4 种主流策略模型
• 效果：接入 LingBot-Touch 之后，平均任务成功率提升 13.9~24.8 个百分点
• 典型任务：拧瓶盖、钥匙开锁、挤牙膏、密封袋压合、小件装配等精细操作

五、落地总结

LingBot-Touch 开源补齐了具身智能里触觉感知的通用底座，4983 小时大规模触觉预训练是它的核心基础，拧瓶盖 90% 成功率直观证明统一触觉表征的价值；它不是独立的动作大模型，而是触觉编码基座，和视觉、动作策略搭配使用，开发者可以直接复用这套 “手感”，不用重复采集海量触觉数据，降低灵巧操作机器人的开发门槛。

【常见问题】

问题 1：LingBot-Touch 开源触觉基础模型，4983 小时预训练数据都包含哪些类型？

回答 1：LingBot-Touch 开源触觉基础模型，4983 小时预训练数据包含压阻式、磁触觉、视触觉三类传感数据，一部分来自人类佩戴触觉手套采集，一部分来自遥操作灵巧手交互记录，覆盖抓握、旋转、装配等多种操作。

问题 2：LingBot-Touch 开源触觉基础模型，为什么接入之后拧瓶盖成功率可以到 90%？

回答 2：LingBot-Touch 开源触觉基础模型，它会把杂乱的原始触觉信号编码成统一的触觉表征，模型能识别打滑、形变、夹持力度变化，实时调整机器人动作，而不是直接喂原始传感器数据，所以拧瓶盖成功率大幅提升到 90%。

问题 3：LingBot-Touch 开源触觉基础模型，开源之后开发者可以拿来做什么？

回答 3：LingBot-Touch 开源触觉基础模型，代码、权重、技术报告全部开源，开发者可以直接对接自家灵巧手和策略模型，快速获得通用触觉感知能力，在开锁、装配、拧瓶盖这类精细操作任务上提升机器人稳定性。

【参考资料】

[2026-11-11]（LingBot-Touch 开源触觉基础模型：4983 小时预训练数据使拧瓶盖成功率达 90%）甲子光年

[2026-11-10]（蚂蚁灵波开源触觉基础模型，让机器人的 “手感” 可以复用）腾讯新闻

[2026-11-10]（通用大脑能力再提升，蚂蚁灵波发布 LingBot-Touch 触觉基础模型）中国青年网

[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

【免责声明】

本文信息来自蚂蚁灵波公开开源资料、真机实验报道，90% 拧瓶盖成功率为固定硬件、固定实验环境下的测试结果；不同灵巧手、传感器、物体材质、松紧条件下成功率会出现浮动，LingBot-Touch 仅为触觉基座模型，单独使用无法完成机器人控制，内容仅作为具身智能技术资讯参考，不构成项目选型、商用落地保证。