Fable 5.2睁眼拼魔方，中国AI闭眼搓麻将！人类「手感」首次Token化

新智元报道

毫无预警，Anthropic深夜丢出了下一代旗舰Fable 5.2，直接杀入了物理世界。

它的全方位性能碾压Opus 5.5，更是展现出了惊人的泛化能力——哪怕是没见过的新任务，也能轻松驾驭。

徒手拼魔方、拧瓶盖、画机器人，安装齿轮并测试齿合，Fable 5.2拿下64.9%的成功率，在RoboDojo测试中轻松碾压一众对手，足足是GPT-6 Astra的两倍还多。

就在两个月前，GPT-6 Astra同样秀出了逆天操作——被极客接进双灵巧手后，当场弹起了肖邦夜曲。

看着是不是觉得大模型马上要接管物理世界了？

就在同一份测评里，RoboDojo测试团队把这位「前任榜单状元」Astra搬上真机，去挑战插充电器和插试管。

结果因为只有眼睛、没有触觉，插头明明已经顶歪卡死，它却完全感觉不到阻力。

于是，毫不知情的机械臂顺着视觉指令一路硬怼，当场把真机硬件撞坏了！

研究员吓得赶紧拉闸急停，最终在33次真机测试里，这两项任务一次都没成，成功率直接挂零（0%）。

为什么反差这么大？

因为拼魔方、画画这类活，靠「眼睛」看就够了，可真到了手上干细活，光靠摄像头根本来不及，也看不见。

一方面，杯子刚在指尖打滑，等摄像头拍到画面早就摔碎了。

另一方面，拧瓶盖到底是拧动了还是手指在空转，镜头里看着一模一样，而且接触点还经常被手指自己挡住。

也正因如此，汽车厂里插线束这种活，就因为缺了指尖那一下手感，奥迪坦言全行业自动化率至今还不到10%。

说到底，今天机器人缺的已经不是更好的眼睛，而是灵敏的「手感」。

就在刚刚，蚂蚁灵波科技正式发布并开源通用触觉基座模型LingBot-Touch，一举补上了这块最关键的短板！

项目主页：https://technology.robbyant.com/lingbot-touch

技术报告：https://github.com/Robbyant/lingbot-touch/tree/main/paper

GitHub：https://github.com/Robbyant/lingbot-touch

Hugging Face：https://huggingface.co/collections/robbyant/lingbot-touch

魔搭社区：https://www.modelscope.cn/collections/Robbyant/LingBot-Touch

它头一回把视触觉、磁触觉、压阻式三种不同的触觉信号，统一转换成动作模型拿来就能用的「通用触觉Token」。

这样一来，机器人终于能练出一套换只灵巧手也能接着用的「手感」。

532万参数即插即用

26项精细操作全线暴涨

在真机上，触觉反馈极度讲究时效。

因此，为了不跟视觉和动作模型抢算力，团队直接派出了最轻量的Tiny版，只有532万参数。

由此，接进三大主流动作模型后，参数量只多出0.13%到0.16%，几乎不加负担，却让灵巧手瞬间有了「分寸感」。

拿「抓喷雾瓶喷水」来说，塑料瓶身很滑，纯靠视觉刚一使劲，食指就会打滑脱手。

而接上LingBot-Touch后，指尖刚有一丝滑动就能立刻微调握姿、稳稳扣下扳机，成功率直接由42.50%飙升到87.50%。

再看更考验双臂配合的「挤牙膏」，软管捏轻了挤不出，捏重了又会飙得到处都是。

有了触觉Token帮忙，双臂不仅能稳稳对准窄小刷头，拇指还能顺着管身阻力细腻施压，把牙膏精准挤在刷毛上：

就连开头让视觉大模型撞坏真机的「插孔对准」，换到更精细的「拿钥匙开锁」上也被轻松拿捏。

只见指尖捏住小钥匙，顺着锁孔微弱的碰撞阻力边试探边微调，对准后干脆利落地一把拧开挂锁：

更有意思的是「盲摸麻将」，规则严苛到只要牌面露给镜头看一眼就直接判零分。

灵巧手全程不靠眼睛，指腹轻轻一按就能摸出凹凸花纹、分进不同盘子，成功率直接翻倍冲上70%：

再比如拆开两个叠放的软纸杯，手指挡死了镜头，捏重一点杯子就扁，捏轻了又抽不出来。

但有了触觉Token帮忙，双臂就能顺着指尖微弱的摩擦变化，轻轻一搓抽出内层纸杯。

不止这些日常细活，团队用两款不同构型的灵巧手，搭配四款主流动作模型，一口气实测了26项真机任务和12项仿真操作，接入LingBot-Touch的组合全线夺冠：

• 三大动作模型全面提分，T-Rex、π0.5和LingBot-VLA平均成功率分别大涨了23.18、21.81和24.81个百分点；

• 精细操作稳准狠，单页翻书冲上91.25%，按压弹出SD卡飙到92%，搬运软纸杯最高拿下了100%满分；

• 12项仿真操作高分通关，转盘子、转笔成功率双双超97%，纯视觉0分的「端托盘平衡滚球」也拿下了67.7%。

左右滑动查看

5000小时真实触觉数据

灵巧手拿来就能用

既然触觉这么管用，为什么通用大模型这么难训？主要卡在「传感器各说各话」和「极度缺真实数据」上。

先看硬件，目前主流的三类触觉传感器，底层原理完全不同：

• 视触觉是在指尖藏个小相机拍软胶形变，能看清极细微的接触，适合拧瓶盖，但受帧率限制反应不够快；

• 磁触觉靠软磁材料受力改变磁场，擅长感知多方向力与滑动，适合拉拉链、插插头，但怕周围磁场干扰；

• 压阻式则是材料受压后电阻改变，能低成本铺满手指和手掌，代价是分辨率有限。

这就导致同样是压住杯壁，三类传感器记录的是三种完全不通的「方言」，换只手就得推倒重训。

更头疼的是缺真实数据，过去全靠人遥操作机械臂去采，又慢又贵，根本喂不饱大模型。

为了解决数据难题，蚂蚁灵波想了个巧办法——让真人戴上轻便的触觉手套，在日常生活里直接采集「人类手感」！

这样一来，拧瓶盖、擦桌子、插插头，人手怎么发力，手套就怎么记。

最终靠着人手戴手套与真机遥操作结合，团队攒下全球最大的近5000小时（4983小时）、13.3亿帧真实触觉数据，其中足足三分之二来自人类手套。

但人手和灵巧手长得并不一样，采来的数据对机器人管用吗？

对此，实测给出了让人惊喜的答案——人手攒下的「手感」，居然能零样本直接迁移给全新的灵巧手！

要知道，预训练里的磁触觉数据100%来自人类手套，模型压根没见过测试用的新款磁触觉灵巧手。

可团队把触觉模型参数完全冻住、直接装上这只新灵巧手后，π0.5的平均成功率立刻由48%飙升到74.17%，搬运软纸杯更是由58%跳到了90%！

这意味着，读懂物理接触的本事已经跨越了硬件形态，原封不动地由人手传给了灵巧手。

统一三类触觉信号

靠预测受力练出真手感

那在底层，怎么把三种传感器、人手和灵巧手的数据装进同一个模型？灵波团队抓住了最核心的共性：

不管传感器测的是图像、磁场还是电阻，最后回答的都是同四个问题——手指碰在哪、用了多大力、力往哪边走、有没有在滑。

既然问题一样，团队就把「理解接触」单独拎出来，分三步做成了一个通用基础模型。

第一步，按原理分别「收件」。

具体来说，团队给三类传感器各设一个极简入口，转成统一格式后再交给同一个触觉主干网络学习，同类原理的新硬件直接就能接进来。

第二步，把所有指尖放进同一张「地图」（5D-RoPE）。

光格式统一还不够，不同灵巧手的触点排布也千差万别。

因此，团队把所有触点统一映射到三维指尖球面坐标里，并随机微调疏密和位置，防止模型死记硬背单一硬件的排布。

第三步，做一道「补全接触」的题（Tactile-JEPA）。

为什么要专门设计这道题？因为抓握物体时，超过90%的触点其实啥也没碰到，读数全是零值和底噪。

如果照搬视觉模型遮住一块去还原原始读数，模型只要全填零就能白拿90分。

结果在四千小时数据下，传统方案的跨模态检索前5名召回率只有3.06%和8.69%！

于是LingBot-Touch借鉴了图灵奖得主LeCun推崇的JEPA架构，直接遮住高达90%的区域。

在此基础上，它不让模型去还原零值底噪，而是去推断被遮住的地方怎么受力，一举把检索召回率拉升到了49.32%！

盲摸定位准至0.12毫米

触觉也能Scaling

这套架构对物理接触的感知到底有多准？

为此，在五项物理接触测试中，团队允许主流开源模型FTP-1外挂硬件专用适配器，而LingBot-Touch全程锁死权重，一分参数都不改。

即便让了对手一手，LingBot-Touch依然把指尖盲摸定位误差由对手的2.19毫米压到了0.12毫米，在新款磁触觉灵巧手上也压到了0.16毫米。

同时，指尖三维力感知误差也降低了约65%，装进同一个动作大脑测5项真机任务，平均成功率以82.2%对67.5%大幅胜出。

更重要的是，团队在五千小时量级上观察到触觉也存在Scaling现象，跑出了两个关键趋势：

一方面，三类不同传感器的数据混在一起训，所有指标全面压过单打独斗，各条硬件路线的数据终于汇到一处，跑出了「1+1+1>3」的效果。

另一方面，随着数据堆到近5000小时，轻量级Tiny版在4000小时后逐渐饱和，而容量更大的Small版还在持续上涨。

这说明，模型越大、数据越多，机器人的「手感」就越强！

硬件不必统一，智能可以共享

LingBot-Touch的价值，其实不止于让机器人多了一种感觉。

要知道，触觉是典型的「物理原生模态」——文字、图像在网上随处可见，数字世界的大模型却从没真正「摸」过东西，这也是开头Astra插头卡死都浑然不觉的原因。

再加上传感器原理各不相同，触觉长期分散零碎，一直没能形成统一的表征。

如今，LingBot-Touch证明了，哪怕是最依赖硬件的触觉，也可以提炼出统一的表征。

这在触觉上得到了验证，进一步看，完全可以展开到具身智能整体。

之所以物理操作难以泛化，很大一部分正卡在硬件上：本体、灵巧手、传感器路线各异，好不容易攒下的经验，全被锁在了各自的硬件里。

对此，蚂蚁灵波的思路非常明确：硬件不必统一，智能可以共享。

它要做的，是硬件和场景之间的那一层智能——把不同本体、不同传感器积累的物理经验，转成可以共享的统一表征，再以开源、可拆分的方式提供出去。

今年，灵波已先后开源了负责看得更清楚的空间感知模型、负责想得更明白的世界模型，以及负责干得更利索的跨本体动作模型。

这次开源的LingBot-Touch，不仅补上了「具身原生」大脑全栈2.0里摸得更灵敏的那一块，也把同一套方法用到了最依赖硬件的触觉上——触觉能走通，说明这套方法同样能用到其他新的感知方式上。

落到产业上，这层共享智能直接帮上下游省下了重复造轮子的精力。

对触觉传感器厂商来说，过去每推出一款新传感器，都得自己采数据、从头训一套触觉模型，动作模型才能用得上，门槛高、周期长。

现在，新硬件直接接进LingBot-Touch就能产出通用的触觉Token，厂商可以把精力集中到精度、耐用性和成本上，产品也更容易被各家机器人用起来。

对灵巧手和整机厂来说，最大的变化则是选型终于自由了。

一只手上，不同部位要的东西本来就不一样：指尖负责捏、拧、搓这些精细动作，需要高分辨率看清细微接触；手掌主要负责托和握，更需要大面积、低成本地感知受力。

最理想的做法，自然是按部位各取所长，但在过去，一只手上用两种传感器，就得配两套触觉模型分别去训，开发和维护成本都要多出一份。

现在，同一个LingBot-Touch就能读懂不同原理的触觉信号，「指尖视触觉+手掌压阻阵列」这样的高性价比组合，终于可以放心装上手、真正用起来了。

目前，蚂蚁灵波已经联合多家机器人本体厂商与行业伙伴，把这套具身大脑能力带进零售药房、仓储物流和工厂产线落地干活。

回头看，大模型能在数字世界爆发，靠的是海量文字和图像可以被统一学习、反复复用。

如今，连最依赖硬件的「手感」都能被预训练、被复用，物理智能终于也有了像语言智能那样越积越厚的可能。

硬件可以百花齐放，智能却能在同一层上不断生长。

机器人真正走进千行百业的拐点，或许就从这里开始。

编辑：摩西 桃子