Claude Fable 5.2 来势汹汹，蚂蚁灵波早有“手”准备

作者：彭堃方

编辑：吕鑫燚

出品：具身研习社

“具身原生”已经成为具身智能绕不开的概念，但其指向的是几种截然不同的呈现方式，以及这些呈现方式所带来的分歧。

多数时候它指的是模型训练方式，有没有过度依赖语言模型，或者指向数据来源，是从物理世界采集，还是从互联网数据继承。

近期，通用大模型在任务理解、复杂推理等能力上持续突破，机器人“大脑”走哪条技术路线，再次成为具身智能行业讨论的焦点。

蚂蚁灵波的判断一直很明确。在CEO朱兴看来，以GPT6-Astra、Claude Fable 5.2为代表的数字世界大语言模型进展，确实让机器人的复杂任务推理能力更强，但产业一线的实践告诉我们，要真正跑通操作闭环，物理操作泛化性这块硬骨头还是绕不开，很大程度上仍要靠具身基础模型自身的突破

11月10日，蚂蚁灵波科技开源触觉基础模型 LingBot-Touch，给出了自己的答案。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，供不同灵巧手和动作模型使用，让机器人在“看得清楚、想得明白”的同时，进一步补齐精细操作所需的触觉感知。

这也是朱兴一直所强调的“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”。

从这个角度看，具身原生的辨识度，在于物理世界是否真正参与了模型的定义。而蚂蚁灵波在“具身原生”这片荒地上，已经蹚出了一条路。这条路或许就是具身智能走向感知、生成、代理AI 之后的下一阶段通用智能的康庄大道。

GPT-6 Astra 、Claude Fable 5.2带来的冲击，让行业重新审视通用模型与机器人之间的距离。

就在今天，Claude Fable 5.2推出，官方毫不掩饰的宣称，Fable 5.2 在控制物理机器人方面有着显著提高的能力，即使是在它从未接受过明确训练的任务上也是如此，“在 RoboDojo 上，它的表现优于其他模型和大多数用于控制机器人的 AI 系统”。

再回头看，今年 9 月的一项 RoboDojo 研究中，Astra 未经任务专门微调，在 42 项仿真任务上的综合得分超过了当时参与比较的 40 个公开策略。但研究同时发现，其能力分布很不均衡：语义理解能够带来优势，高精度控制、动态控制和复杂双臂协同仍然吃力。另一些测试也观察到，直接控制灵巧手在掌内转动物体时，模型难以协调多根手指的接触。

这些结果提醒了行业：理解任务与完成物理交互之间，仍有大量具体问题需要解决。拧瓶盖时，手指转动可能带动了瓶盖，也可能只是在盖壁上打滑；翻书时，同样一次搓动，可能带起一页，也可能带起几页。接触部位常被手指遮挡，单凭画面很难及时分辨。触觉让机器人有机会在物体滑落或被捏坏之前，就根据受力变化调整动作。

对GPT-6 Astra、ClaudeFable 5.2来说这都是难题，对具身模型来说其实也是。

目前触觉方案本身未收敛，视触觉通过内部相机观察弹性表面的形变，磁触觉利用受力引起的磁场变化，压阻式触觉则记录电阻变化。即便采用同一种原理，不同产品的触点数量、布局和采样频率也可能不同。再叠加灵巧手构型差异，同一次接触，会被硬件记录成不同形式的信号。如果每换一种传感器，都要让动作模型从头学习怎样读取这些信号，经验便很难积累。

蚂蚁灵波新发布的LingBot-Touch模型选择在传感器与动作模型之间建立一套通用表征，把不同来源的读数转成统一的触觉 Token，让下游模型能够利用其中的接触信息。

这套统一首先发生在空间上。团队把不同传感器的触点映射到标准化的指尖坐标中，为 Token 标明时间、手指编号和三维位置；不同传感原理分别设置编码入口，再进入共享的触觉 Transformer。训练中还会改变触点密度、轻微扰动位置，减少模型对某款硬件固定布局的依赖。模型由此有机会学到跨设备的接触规律。

学习方法也针对触觉作了调整。触觉记录里，大量时刻并没有发生接触，如果机械地还原原始信号，模型可能把精力花在重复这些接近零的读数上。

LingBot-Touch 采用 Tactile-JEPA，在特征空间里预测被遮住的接触信息：根据可见触点随时间的变化，推断其他位置发生了什么。训练的参照来自记录本身，无需逐段标注接触位置、受力大小等物理量。

为此，蚂蚁灵波采集了 4,983 小时真实触觉数据，包含约 46.4 万段交互记录。其中，人戴触觉手套贡献了 2,197 小时压阻式数据和 1,136 小时磁触觉数据，遥操作灵巧手贡献了 1,650 小时视触觉数据。不同硬件的数据进入同一套训练框架，最终服务于对接触的共同理解。

在技术报告里有一组对照颇有说服力。在 Sharpa Wave 灵巧手上执行拉拉链任务时，π0.5 不用触觉的成功率为 39%，直接加入原始触觉信号后降至 15%，换成 LingBot-Touch 输出的触觉 Token 后升至 59%。这至少说明，增加传感器信息，并不自动等于提高操作能力，模型还要学会提取和利用其中有效的部分。

这种提升也体现在更广的测试中。团队在两款灵巧手、26 项真机任务上，对 Diffusion Policy、π0.5、LingBot-VLA 和 T-Rex 进行了比较。按照论文口径，四种动作模型在两款手上的平均成功率，均以接入 Touch 的配置最高。例如，在 XHand 的 6 项任务上，π0.5 直接使用原始触觉信号的平均成功率为 48%，使用 Touch 后达到 74.17%。

值得一提的是，完成这些真机测试的 Tiny 版本仅约 532 万参数，接入 LingBot-VLA 后，模型参数量只增加约 0.13%。它表明，触觉能力可以以较轻的计算负担加入现有动作模型。更大的 Small 版本，可根据算力条件按需采用。对于必须在物体滑落之前作出反应的机器人，这样的设计取向十分实际。

把 LingBot-Touch 放回产业链，它的价值在于补上模型与硬件之间的一层连接：向上，为不同动作模型提供高质量、可复用的触觉信息；向下，将不同传感器、不同灵巧手产生的接触信号纳入统一的表征体系。

这个中间层，让模型能力的完善与硬件价值的释放有了共同的支点。

先看向上部分。

视觉帮助机器人判断物体在哪里、手该伸向何处，而在真正接触之后，怎样抓稳、何时加力、是否需要调整握持方式，还需要更细致的反馈。

触觉模型把接触位置、受力及其变化提炼出来，供动作模型与视觉、机器人状态等信息结合使用。动作决策由此多了一层来自接触现场的依据，机器人也有机会在操作过程中及时调整，提高精细作业的稳定性。

更值得关注的是，这种能力能够被不同动作模型共享。LingBot-Touch 既能支持蚂蚁灵波自己的 LingBot-VLA，也能接入π0.5、Diffusion Policy 和 T-Rex。对于已有动作模型的团队，这意味着可以在现有研发基础上引入一套经过大规模触觉数据预训练的感知能力，再结合任务示范训练动作策略。

这改变了触觉能力的研发投入方式。过去，每套动作模型如果都要从不同硬件的原始读数开始学习，就需要各自承担信号理解与动作学习的双重负担。有了可以复用的触觉表征，开发者便能把更多精力放到任务执行、动作调整和异常恢复上。而且对于分拣、装配等依赖接触反馈的场景，这条路径有望降低补充触觉能力的门槛，让已有模型更容易向精细操作延伸，进一步加速产业落地。

向下看，触觉模型则为灵巧手和传感器提供了一种整合方式。

现阶段，不同硬件在传感原理、触点布局和空间分辨率上差异很大，通用触觉表征在这些硬件差异之上提取共同的接触信息，使器件路线继续探索与上层算法能力积累能够同步推进。

XHand 的实验体现了这种整合的价值。它使用的磁触觉传感器型号没有参加预训练，但接入后，Touch 仍可保持参数固定，为动作模型提取有效的接触信息。在搬运易变形杯子的任务中，LingBot-VLA 使用原始触觉信号时成功率为 58%，使用 Touch 后达到 90%。控制新的灵巧手完成具体任务仍需训练，但读取接触信息的能力能够沿用，硬件更换带来的重复学习就有了可以减少的部分。

对硬件厂商而言，这意味着产品有机会更容易地进入不同模型和整机的应用体系。传感器厂商做好标定、降噪与读数校正，灵巧手厂商继续改善机械结构、耐用性和控制能力，通用触觉模型则提供可以共同使用的接触表征。硬件性能由此多了一条转化为操作能力的路径，厂商也有机会减少为不同动作模型重复开发触觉算法的投入。整机企业选型时，则可以更充分地围绕任务要求权衡硬件，而不必让既有算法的适配范围过早限制选择。

这对于灵巧手和传感器种类丰富的中国供应链尤其有意义。不同路线带来的数据，经过统一建模后，可以成为彼此补充的学习资源。硬件的多样性由此有机会从集成负担转化为学习优势，而模型获得的收益，又可以回到不同硬件的实际操作中。

因此，触觉模型作为中间层，同时推动着两件事：动作模型获得更完整的物理反馈，硬件产生的信息获得更广泛的利用。现阶段在面对外部冲击和内部分歧时，我们正需要这种能够粘合上下两端，打破路径离散的研究出现。

GPT-6 Astra 出现后，具身智能的边界一度变得模糊。任务理解、规划，甚至部分动作生成，都开始出现通用模型可以直接承担的空间。行业随之追问，具身企业还能掌握哪些独特能力？蚂蚁灵波一直坚持的“具身原生”，恰好把这个问题提前到了模型研发的起点：机器人怎样获得物理信息，怎样预测和执行，又怎样利用行动后的反馈。

此前外滩大会与朱兴的交流中，他对通用模型进展的态度，并没有焦虑。他强调的场景理解和数据 Know-how，今天在 Touch 上呈现得更加具体：怎样把接触记录下来，怎样处理传感器差异，怎样让稀疏的信号成为可学习的信息。这些工作需要长期进入物理世界，也决定了模型最终能学到什么。

沿着这条线回看，蚂蚁灵波此前发布的一系列模型，已经显现出基础模型公司的研发方式。它在不同环节研究共性能力，希望让同一套积累服务于不同机器人。某种程度上，这也是人们谈论具身“OpenAI”时值得关注的一层含义：能否持续提供被产业复用的基础能力，并建立支撑这些能力的数据与训练体系。

在感知端，LingBot-Vision 和 LingBot-Depth 2.0 处理视觉理解与空间感知，帮助机器人辨认物体边界、距离，以及透明和反光物体带来的复杂情况。Touch 进一步把感知延伸到手与物体接触之后，使空间信息能够与接触状态共同参与动作判断。

在预测与执行端，LingBot-Video 和 LingBot-World 2.0 研究环境如何随时间和动作变化，为交互预演、物理预测及训练提供支撑；LingBot-VLA 2.0 面向指令理解和动作生成，探索一套大脑驱动不同本体；LingBot-VA 2.0 则进一步将世界预测与动作生成结合，让机器人在行动中预判后果，并根据反馈调整。

这些能力之间的关系，可以放回一次拧瓶盖的操作里理解。空间感知帮助机器人接近瓶盖，动作模型决定怎样握持和转动，预测能力帮助判断动作的可能结果，触觉再告诉它实际接触是否与预期一致。瓶盖没有被带动，或者指尖开始打滑，新的观测就应当改变接下来的动作。通用大脑的完整性，最终要在这种连续交互中体现。

因此，“全栈 2.0”更值得关注的是各项能力如何协同、已经取得的进展如何复用。目前 Touch 已与 LingBot-VLA、LingBot-Depth 融合，同时也能支持π0.5 等外部动作模型。各项能力分别研究和验证，再向更统一的模型推进，是灵波现阶段的实现路径；它也给已有动作模型的团队留下了接入空间。

朱兴在此次发布中提到：“模态输入的质量很大程度上决定了动作输出的上限。”未来除视觉、深度和触觉外，灵波还将继续丰富物理感知模态。对于机器人来说，输入质量包含信息是否足够及时、能否反映动作造成的细微变化，以及能否被不同硬件和模型共同利用。把这些问题处理好，才能让更强的推理能力落到更可靠的动作上。

值得一提的是，此次发布也将代码和模型权重向开发者开放。与此同时，蚂蚁灵波也在与本体、数据及场景伙伴开展商业化测试，涉及零售分拣、物流分拣和工业场景。Touch 让我们看到，通用性正在从这些细小而具体的积累中生长。

回到“具身原生”的讨论，判断一条路线的价值，终究要看它让机器人多理解了哪些物理现象，又让多少已有经验免于重来。蚂蚁灵波把这条路推进到了指尖。对于产业而言，更长远的变化在于，每一款硬件与世界打交道的经历，都有机会成为后来者能够继承的能力。