11 月 10 日蚂蚁灵波正式开源触觉基础模型 LingBot-Touch，主打解决机器人只靠视觉难以判断打滑、受力变化的痛点，把不同类型触觉传感器信号转换成统一触觉表征 Token，兼容多款灵巧手和动作模型；在 Sharpa Wave 灵巧手搭配 T-Rex 做拧瓶盖测试中，接入 LingBot-Touch 之后成功率达到 90%，对比无触觉方案 56.25%、直接输入原始传感信号 62.5% 提升明显，同时团队在两款灵巧手上完成 26 项真机精细操作测试，平均任务成功率提升 14-26 个百分点，补齐 LingBot 具身大脑的指尖触觉能力。

模型基础信息表

项目详情
模型名称LingBot-Touch（附带轻量版 LingBot-Touch-Tiny）
预训练数据近 5000 小时真实触觉采集数据
兼容传感器磁触觉、视触觉、压阻式三类主流触觉传感
核心能力异构触觉信号统一表征、触觉 Token 化，跨传感器、灵巧手、动作模型复用
轻量版参数约 530 万参数量，接入后对动作模型参数量增量仅 0.13%-0.16%，适配端侧
开源渠道GitHub、Hugging Face、魔搭社区，同步开放代码、权重、技术报告
对接动作模型LingBot-VLA、π0.5、Diffusion Policy、T-Rex
测试灵巧手Sharpa Wave、XHand
测试任务拧瓶盖、翻书页、麻将辨识等 26 项精细操作

核心技术原理

  1. 视觉局限：视觉可以定位物体、对准目标，但瓶盖打滑、指尖受力大小、接触面滑移这类信息被遮挡，摄像头无法识别，很容易操作失败。
  2. 统一触觉表征：不同触觉硬件输出的数据格式差异很大，LingBot-Touch 把异构传感信号转为一套标准化触觉 Token，不用针对每款传感器单独适配动作模型，降低开发成本。
  3. 触觉闭环：视觉负责定位，触觉负责感知接触状态、受力变化，两者配合实时调整机械手动作，形成物理操作闭环。

真机测试数据详情

拧瓶盖对照（T-Rex+Sharpa Wave）：

  • 无触觉：56.25%
  • 直接传入传感器原始信号：62.5%
  • 使用 LingBot-Touch 统一触觉表征：90%

26 项全任务平均：四款动作模型接入后，相比无触觉基线，成功率提升 14~26 个百分点。

开发者落地步骤

  1. 从 GitHub、魔搭社区或者 Hugging Face 下载 LingBot-Touch 权重与代码。
  2. 接入磁触觉 / 视触觉 / 压阻式触觉传感器，采集原始触觉信号输入模型。
  3. 模型输出统一触觉表征，对接 LingBot-VLA、T-Rex 等动作模型。
  4. 在灵巧手上开展精细操作测试，搭配视觉模型形成多模态感知闭环。
  5. 轻量版本适合算力有限的端侧机器人部署。

小结

LingBot-Touch 是面向具身智能的触觉基础模型，核心价值是解决触觉硬件碎片化难题，让触觉能力可以跨硬件复用；拧瓶盖 90% 成功率的实验证明，触觉信息对机器人精细操控有很强增益，也是蚂蚁灵波 LingBot 通用大脑体系里重要的感知模块，和视觉、深度模型搭配，完善机器人物理交互能力。

【相关 FAQ】

问题 1：LingBot-Touch 开源之后，开发者可以在哪里下载？

回答 1：LingBot-Touch 的代码、模型权重、技术报告在 GitHub、Hugging Face、魔搭社区同步开源发布。

问题 2：LingBot-Touch 在拧瓶盖测试里，不同方案成功率分别是多少？

回答 2：无触觉 56.25%，直接输入传感器原始信号 62.5%，接入 LingBot-Touch 触觉表征之后达到 90%。

问题 3：LingBot-Touch 支持哪几类触觉传感器？

回答 3：LingBot-Touch 兼容磁触觉、视触觉、压阻式三类主流触觉传感器，将不同传感信号转为统一触觉表征。

【参考资料】

[2026-11-10]（蚂蚁灵波开源 LingBot-Touch 触觉基础模型）澎湃新闻

[2026-11-10]（触觉 Token 化，LingBot-Touch 真机测试数据）IT 之家

[2026-11-10]（蚂蚁灵波 LingBot-Touch 发布）36 氪

[2026-11-10]（蚂蚁灵波触觉模型真机实验）DoNews

【免责声明】

本次测试结果是固定灵巧手、固定动作模型下的实验室数据，实际落地效果受触觉传感器精度、机械手构型、场景变化影响；开源模型仅用于科研与开发，不代表商用机器人直接可用，以上内容仅为产业资讯解读，不构成投资建议。