Ant LingBo opens-source LingBot-Touch tactile foundation model
蚂蚁灵波 LingBot-Touch 触觉基础模型开源，为通用大脑接入“手感”
A unified tactile representation that transfers across sensor types and hand hardware removes one of the biggest integration costs in robot manipulation research. Teams building dexterous manipulation with VLA or diffusion policies can plug it in and benchmark gains on their own stacks instead of collecting tactile data from scratch. As an open-source Chinese entrant, it gives developers in Southeast Asia and beyond a concrete alternative to proprietary embodied-AI stacks when choosing perception components.
On 10 Nov 2025, Ant LingBo Technology (蚂蚁灵波) open-sourced LingBot-Touch, a tactile foundation model that adds touch perception to its embodied generalist robot brain stack. The model is pre-trained on nearly 5,000 hours of real tactile data spanning three mainstream sensing principles — magnetic, visuotactile and piezoresistive — converting heterogeneous signals into a unified tactile representation that can be reused across sensors, dexterous hands, models and tasks.
In 26 real-robot tests on Sharpa Wave and XHand dexterous hands, covering fine tasks such as turning book pages, twisting bottle caps and identifying mahjong tiles, four action models (LingBot-VLA, π0.5, Diffusion Policy and T-Rex) improved average task success rates by roughly 14 to 26 percentage points with the tactile representation versus no touch. In the T-Rex + Sharpa Wave bottle-cap task, success rose from 56.25% without touch and 62.5% with raw sensor signals to 90% with LingBot-Touch.
The release extends Ant LingBo's LingBot model family, which already covers spatial perception, dynamic environment interaction and generalisable dexterous manipulation. For robotics teams, it lowers the cost of adding tactile feedback, which vision alone cannot supply for contact forces, slippage and occluded contact points during fine manipulation.
蚂蚁灵波 LingBot-Touch 触觉基础模型开源，为通用大脑接入“手感”
IT之家 11 月 10 日消息，今日，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能力。 IT之家从官方介绍获悉，基于近 5000 小时真实触觉数据预训练，LingBot-Touch 覆盖磁触觉、视触觉和压阻式三类主流传感原理，可将不同信号转化为同一套 触觉表征 ，让积累的“手感”能够 跨传感器、跨灵巧手、跨模型 和 跨任务 复 用。 在 26 项真机测试中，接入这一表征后，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。 此前，蚂蚁灵波 LingBot 系列模型已构建起覆盖高精度空间感知、高动态环境交互与可泛化灵巧操作的全栈技术体系，让机器人看得更清楚、想得更明白、干得更利索。此次 LingBot-Touch 将通用大脑的感知能力延伸到“指尖”，让机器人“摸得更灵敏”，具身原生通用大脑能力再提升。 看清之后， 为什么还需要“摸得灵敏”？ 在真实物理世界中，机器人每执行一步动作，都需要感知物体和环境的变化，再修正下一步动作。许多精细操作里，看清物体的位置、把手伸到正确的地方，并不意味着任务就能顺利完成。 接触之后受力是否合适、物体是否滑移，仅靠视觉往往难以判断 。 以拧瓶盖为例，深度信息可以帮助手指对准瓶盖。但开始转动后，瓶盖可能已经松动，也可能是指腹沿着盖壁打滑。这两种情况在画面中相似，却需要不同的动作调整。指尖的接触位置、受力大小及其变化，成为动作模型的重要判断依据，而这些信息往往被手指和物体遮挡，视觉难以获得。 为了验证触觉表征对真实操作的帮助，该团队在 Sharpa Wave 和 XHand 两款灵巧手上进行了 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 和 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。 其中，在 T-Rex 控制 Sharpa Wave 拧瓶盖的任务中，不使用触觉时的成功率为 56.25%，直接输入传感器原始信号时为 62.5%，接入 LingBot-Touch 的触觉表征后，成功率达到 90%。 这一系列真机实验表明， 高质量触觉信息输入可以为机器人动作成功率带来显著提升。 统一触觉表征， 跨灵巧手、跨模型复用 给机器人装上触觉传感器，并不等于它就能用好触觉。商用触觉传感器整体仍处于较早的发展阶段，视触觉、 磁触觉 、压阻式等路线各有优势和局限。面向不同成本和使用场景，多种路线可能长期并存。 更棘手的是，同样一次接触，在不同传感原理和触点布局下，会形成不同的原始信号。如果模型只学会解读其中一种，更换传感器或灵巧手后，已有的数据和触觉经验就可能难以复用，需要重新采集、训练和适配。 该团队的思路是，让触觉理解摆脱对特定传感器物理信号的依赖， 使不同来源的数据能够共同用于训练 ，让积累的触觉能力跨灵巧手和跨动作模型复用。 为此，LingBot-Touch 按传感原理分别设置编码入口，先处理不同的原始信号，再将不同布局的触点映射到统一的指尖坐标空间。共享模型学习接触位置、受力及其随时间的变化，输出统一的触觉 Token—— 供不同动作模型使用的触觉表征。 在这一架构下，人戴触觉手套和遥操作灵巧手采集的数据可以共同用于训练，不同动作模型也可以利用训练好的模型提取接触特征。这一架构还为未来接入新类型的触觉传感器留出了扩展空间。 在 XHand 上，团队进一步验证了触觉能力的跨硬件复用。XHand 采用的磁触觉传感器型号并不在预训练数据中，模型学到的磁触觉经验全部来自人戴手套采集的数据。换到这只灵巧手后，团队保持 LingBot-Touch 参数不变，只用 XHand 的操作示范训练动作模型。 LingBot-Touch 提供的是位于触觉传感器和动作模型之间的通用感知能力，而不是某一硬件或某一策略的专用模块。本次测试接入了四种不同动作模型，不绑定自研的 LingBot-VLA 模型。传感器和灵巧手厂商可以根据成本与任务需求选择硬件，整机团队可以保留自己的动作策略，减少更换硬件与算法组合时重新开发触觉能力的重复投入。 为兼顾感知能力与端侧算力，团队提供了两种容量的模型。此次 26 项真机测试全部使用约 530 万参数的轻量版 LingBot-Touch-Tiny 完成。接入 LingBot-VLA、π0.5 和 T-Rex 后，模型参数量仅增加约 0.13% 至 0.16%。 容量较大的版本 LingBot-Touch-Small 在感知测试中表现出进一步提升的潜力： 当预训练数据增至近 5000 小时时，模型仍能从新增数据中获益，说明触觉预训练还有持续扩展提升的空间 。 蚂蚁灵波表示，在通用大模型加速演进的时点，LingBot-Touch 的发布正是团队对“具身原生”路线的持续投入和笃定 —— 不同于面向数字信息的多模态范式，机器人身处真实物理世界，信息从传感器来，作用到环境中去，既需要理解深度这类空间感知信息，也需要处理触觉、力觉、温度等接触感知模态。模态输入的质量，很大程度上决定了动作输出的质量。 参考 项目主页
This report is categorized under AITOP's "Models" desk, focusing on China's AI industry and domestic foundation model ecosystem. Within our cross-regional analytical framework, it directly maps to AI developer toolchains, coding agents, and engineering workflows and US-China foundation model benchmarks and commercialization comparison. Key entities and technical topics under continuous tracking include LingBot-Touch, Ant LingBo, robotics, open-source models.
Source attribution: curated from IT之家.
