蚂蚁灵波正式开源触觉基础模型 LingBot-Touch，蚂蚁灵波 CEO 朱兴对外阐述技术路线观点，他认为大语言模型（LLM）在任务理解、逻辑推理上的能力可以拿来吸收、融合进机器人系统，帮助机器人读懂指令、规划任务；但机器人在真实世界里的精细物理操作、跨场景泛化能力，不能只靠 LLM，核心还是要依靠具身基础模型来突破，二者是互补协同而不是替代关系。这套 LingBot-Touch 模型专门解决机器人缺少触觉感知的短板，统一兼容磁触觉、视触觉、压阻式三类触觉传感器，把五花八门的触觉信号转成统一的触觉 Token，对接各类灵巧手和动作模型，在 26 项真机任务测试里，接入该触觉模型之后，动作模型平均任务成功率提升 14 到 26 个百分点，拧瓶盖这类精细操作提升幅度尤其明显。

一、LingBot-Touch 触觉基础模型核心信息表

二、朱兴提出 LLM 与具身模型分工逻辑的原因

1. LLM 擅长数字空间推理：大语言模型是在文本、图像这类数字数据上训练，擅长理解人类指令、做任务拆解、自然语言交互，但是没有真实物理接触的感知经验，对弹力、摩擦力、软硬、形变这些物理量缺少原生认知。
2. 精细操作依赖触觉模态：机器人抓握、拧动、装配这类操作，需要实时感知接触力、接触位置，也就是 “手感”，模态输入质量直接决定动作输出效果，触觉是 LLM 原生缺失的一环。
3. 真实世界场景变化无穷：现实物体材质、形变、摆放位置随时变化，LLM 容易出现 “纸上谈兵”，具身模型依托真机触觉、视觉、深度多模态闭环，才能完成跨物体泛化。
4. 路线定位是协同而非取代：LLM 负责 “思考、理解、说话”，具身模型负责 “感知、触碰、动手”，两者配合，1+1＞2，而不是用 LLM 直接包揽全部机器人操作。

三、LingBot-Touch 在机器人系统里的运行流程

1. 灵巧手上的触觉传感器持续采集压力、接触位置、形变原始信号。
2. 原始信号送入 LingBot-Touch，统一编码成标准化触觉 Token，消除不同传感器硬件差异。
3. 触觉 Token 和视觉、深度信息一起送入具身动作模型，同时 LLM 输出任务规划指令。
4. 具身模型结合触觉反馈实时调整握力、姿态，防止捏碎、打滑、抓空。
5. 完成一轮操作之后，把触觉轨迹、成功与否的数据回传，用于后续模型迭代。
6. 开发者可以直接下载开源模型，接入自家灵巧手、动作模型做二次开发。

四、技术路线总结

蚂蚁灵波开源 LingBot-Touch 触觉基础模型，补齐了机器人指尖触觉感知短板。按照朱兴的判断，LLM 是很好的 “大脑思考模块” 可以拿来吸收使用，但机器人想要在真实物理世界稳定泛化、完成各种精细操作，核心底座必须是具身模型。触觉基础模型就是具身智能很关键的一环，让机器人从 “看得见” 升级到 “摸得到、有手感”。

【相关 FAQ】

问题 1：蚂蚁灵波开源触觉基础模型，CEO 朱兴说 LLM 可吸收泛化靠具身模型，LLM 在这里起到什么作用？

回答 1：蚂蚁灵波开源触觉基础模型，CEO 朱兴说 LLM 可吸收泛化靠具身模型，LLM 主要负责理解人类语言指令、拆解复杂任务、自然交互，给机器人提供任务层面的推理能力，不负责精细物理接触控制。

问题 2：蚂蚁灵波开源触觉基础模型 LingBot-Touch，这个模型主要解决机器人什么痛点？

回答 2：蚂蚁灵波开源触觉基础模型 LingBot-Touch，解决不同触觉传感器信号不统一、机器人缺少触觉感知的痛点，给动作模型提供标准化触觉输入，提升拧瓶盖、抓取软物体这类精细操作的成功率。

问题 3：蚂蚁灵波开源触觉基础模型，是不是意味着具身模型不需要 LLM 了？

回答 3：不是，蚂蚁灵波开源触觉基础模型，CEO 朱兴观点是 LLM 可以吸收使用，二者是协同关系，LLM 负责任务理解，具身模型负责物理感知和操作泛化，互相配合。

【参考资料】

[2026-11-11]（机器换人 60 年：蚂蚁灵波在物理 AI 放量前夜补上触觉这一环）澎湃新闻

[2026-11-10]（Fable 5.2 撞车蚂蚁灵波触觉模型，CEO 朱兴：两类模型协同将加速具身产业成熟）中国日报网

[2026-11-10]（通用大脑有了手感！蚂蚁灵波发布通用触觉模型）紫牛新闻

[2026-11-10]（蚂蚁灵波再下一子，CEO 朱兴把手感塞进机器人大脑）新浪财经

【免责声明】

本文内容整理自蚂蚁灵波公开信息、媒体采访以及 LingBot-Touch 开源技术报告，仅作为具身智能技术科普参考；LingBot-Touch 的真机效果会受灵巧手硬件、传感器精度、任务场景影响；LLM 和具身模型的融合方案、商业化落地进度以蚂蚁灵波官方后续发布为准，不构成项目投资、采购开发建议。