11 月 10 日，蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，为机器人大脑补齐关键的触觉感知。该模型基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉与压阻式三类主流传感原理，把不同信号转化为同一套触觉表征，供不同灵巧手与动作模型调用。

为验证触觉表征对真实操作的作用，蚂蚁灵波在 Sharpa Wave 与 XHand1 两款灵巧手上做了 26 项真机测试，涵盖翻书页、拧瓶盖、辨识麻将牌等精细操作。接入 LingBot-Touch 后，LingBot-VLA、π0.5、Diffusion Policy 与 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。

以 T-Rex 控制 Sharpa Wave 拧瓶盖为例，无触觉时成功率 56.25%，直接喂传感器原始信号为 62.5%，接入统一触觉表征后达到 90%。统一表征的做法是按传感原理分别编码入口，再把不同布局的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，因此换传感器或灵巧手也能复用已有经验。

模型提供两种容量。26 项测试全部使用约 530 万参数的轻量版 Tiny，接入后动作模型参数量仅增加 0.13% 至 0.16%；容量更大的 Small 版本在预训练数据增至近 5000 小时时仍持续受益。技术报告、模型与代码已开源，开发者可在 Hugging Face、GitHub 与魔搭社区下载。

蚂蚁灵波 LingBot-Touch：让机器人「摸得更灵敏」近 5000 小时真实触觉数据完成预训练，磁、视、压阻三类信号统一为同一套表征一、数据规模与原理预训练数据近 5000 小时真实触觉数据覆盖磁触觉、视触觉、压阻式三类主流传感原理不同信号转化为同一套触觉表征，供不同灵巧手与动作模型调用二、26 项真机测试平台：Sharpa Wave 与 XHand1 两款灵巧手任务：翻书页、拧瓶盖、辨识麻将牌等精细操作四种动作模型平均成功率较无触觉提高 14 至 26 个百分点LingBot-VLA / π0.5 / Diffusion Policy / T-Rex 均达各自最高水平三、拧瓶盖对照（T-Rex 控 Sharpa Wave）无触觉：成功率 56.25%传感器原始信号直喂：62.5%接入统一触觉表征：90%四、统一表征做法按传感原理分别编码入口，触点映射到统一指尖坐标空间共享模型输出统一触觉 Token，换传感器或灵巧手也能复用经验XHand1 磁触觉型号不在预训练数据，保持参数不变仅训动作即复用五、容量与开源Tiny 约 530 万参数：26 项测试全用它，接入后动作模型参数仅增 0.13%–0.16%Small：预训练数据增至近 5000 小时仍持续获益技术报告、模型与代码已开源：Hugging Face / GitHub / 魔搭社区可下载来源：量子位（获蚂蚁灵波授权转载，2026-11-10，一手）+ 蚂蚁灵波技术报告（Hugging Face）注：接入 LingBot-VLA，感知延伸到指尖；定位具身原生通用大脑，非绑定单一硬件
蚂蚁灵波 LingBot-Touch 触觉基础模型：统一三类传感表征（蚂蚁灵波 / 量子位授权转载，2026-11-10，一手）

信息来源

蚂蚁灵波 LingBot-Touch 触觉 具身智能 开源 机器人