11 月 10 日，蚂蚁灵波科技正式开源触觉基础模型 LingBot-Touch。值得关注的是，这一天恰逢通用大模型领域迎来新版本发布，一款面向数字世界的通用大模型与一款面向物理操作闭环的具身基础模型同日进入公众视野，也让“通用大模型与具身基础模型究竟是何关系”这一行业焦点话题再次被推到台前。蚂蚁灵波给出的判断是：两者更接近协同互补的关系，而非彼此替代。
从技术路线看，通用大模型的持续进步，正在增强机器人理解复杂任务、推理操作步骤的能力；但在真实物理世界中，机器人每执行一步动作，都要感知物体与环境的变化，再据此修正下一步动作。许多精细操作里，机器人能看清物体在哪里，也能把手伸到正确位置，却未必能顺利完成任务——手指碰到物体之后，受力是否合适、物体是否发生滑移，仅靠视觉难以判断，必须由触觉来补位。以灵巧手拧瓶盖为例，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，也可能指腹正沿着盖壁打滑，这两种情况在画面中极为相似，却需要不同的动作调整；而指尖的接触位置、受力大小及其变化，往往被手指和物体遮挡，视觉难以获取，却正是动作模型的重要判断依据。
此次开源的 LingBot-Touch 正是为补齐这一环而生。模型基于近 5000 小时真实触觉数据预训练，覆盖磁触觉、视触觉和压阻式三类主流传感原理，能够将不同传感器产生的信号转化为同一套统一的触觉表征，供不同灵巧手和动作模型使用，从而让“手感”实现跨硬件、跨模型、跨任务的复用。这一设计针对的正是当前商用触觉传感器发展阶段较早、各家信号格式不统一的现实痛点。
在验证环节，蚂蚁灵波在 Sharpa Wave 和 XHand1 两款灵巧手上完成了 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。以 T-Rex 控制 Sharpa Wave 拧瓶盖为例，不使用触觉时任务成功率为 56.25%，直接输入传感器原始信号为 62.5%，接入 LingBot-Touch 触觉表征后成功率达到 90%。
此前，蚂蚁灵波的通用大脑已覆盖高精度空间感知、高动态环境交互和可泛化灵巧操作；此次 LingBot-Touch 已接入 LingBot-VLA，将感知能力延伸至“指尖”，使具身原生通用大脑的手眼协同能力再上台阶。公司方面表示，通用大模型增强对任务和环境的理解与推理，具身基础模型补齐物理感知与闭环操作能力，两者齐头并进，才能共同加速具身产业的成熟。
