报道里最好的一组数，不是 5000 小时，也不是 26 项测试，是拧瓶盖那三个百分比。
同一个任务、同一只手（Sharpa Wave）、同一个动作模型（T-Rex），只换输入：
看第一段和第三段之间的落差：买了传感器、把信号接进去，只拿到 6.25 个百分点；再包一层表征，多拿 27.5 个百分点。
这个对照几乎是一份判决书。它说明在触觉这件事上，硬件的边际收益已经很低，瓶颈在「怎么把信号变成模型能用的东西」这一层。
通稿里给了一个很实在的解释路径，值得逐句拆。
拧瓶盖这个动作，视觉能解决的是「对准」——深度信息告诉你手指该往哪去。但手指贴上去之后，情况立刻分成两种：盖子可能已经松了，也可能指腹正沿着盖壁打滑。这两件事在画面里长得几乎一样，需要做的动作调整却相反：前者该继续转，后者该加压。
而判断依据——接触位置、受力大小、受力变化——恰好被手指和瓶盖本身挡住了。这就是视觉的死角。
所以触觉必须补位。但补位不等于有效，因为不同传感器给出的原始信号长得完全不一样：
| 传感原理 | 原始信号长什么样 | 模型的麻烦 |
|---|---|---|
| 视触觉 | 弹性体形变后的图像序列 | 本质是图像，但尺度、光照、形变语义都和相机不同 |
| 磁触觉 | 磁场强度与方向的时序 | 量纲与视觉无关，且强依赖磁体排布 |
| 压阻式 | 单点或阵列的电阻/电压值 | 通道数、采样率、漂移特性因厂而异 |
把这三类信号直接灌进一个动作模型，等于让它同时学三种外语，而且每种外语的词典还随硬件型号变化。
判断：这就是「买了传感器却只涨 6.25 个点」的原因。模型不是没拿到信息，是拿到的信息格式对不上它已经学会的动作语义。信息在，但没被解释。
LingBot-Touch 做的事，是把这三类信号都翻译成同一套触觉表征。翻译完成之后，模型看到的不是「电阻值 3.2kΩ」或者「第 47 帧图像偏移 4 像素」，而是「接触、滑动、压力上升」这类它本来就在学的语义。
如果只对自家的 LingBot-VLA 有效，这件事就只能算一次配套优化。报道给的测试设计恰好避开了这个嫌疑：
LingBot-VLA、π0.5、Diffusion Policy、T-Rex，四个不同的动作模型，两款不同的灵巧手，26 项任务，平均成功率提升 14 到 26 个百分点。
π0.5 是外部模型，Diffusion Policy 是学术界广泛使用的基线，T-Rex 又是另一个体系。一个表征层能让三个「别人家的模型」同时受益，说明它作用在输入侧，而不是在某家的策略网络里塞了私货。
判断：「跨模型有效」比「跨手有效」更能证明这是个基础设施，而不是一个功能。跨手只说明适配做得好，跨模型才说明它站在了模型之上。这一点决定了它能不能被开源——如果只有自家模型能用，开源出去也没人接。
报道还提到，这层表征已经接进 LingBot-VLA，把感知延伸到「指尖」。这个接线动作本身没什么可说的，但它对应一个很实际的工程问题：接入成本是多少行代码、多少次重训。通稿没给，这恰恰是集成商最想知道的那个数。
预训练数据是「近 5000 小时真实触觉数据」，覆盖三类传感原理。
拿这个数跟语言模型的数据量比，会显得很小。但触觉数据的采集成本跟文本完全不是一个量级：它必须贴着真实物体、真实接触、真实滑动来采，每一条都绑定硬件与场景。
对比一下数采行业的公开口径：一台人形本体 60 万到 70 万元，一名熟练遥操员一天 8 小时只能产出 2 到 3 小时有效数据。触觉数据的采集效率只会更低——因为它要在动作之外额外记录接触通道，而且要保证接触真的发生过。
判断：5000 小时在触觉这个赛道上已经是很重的资产。它的价值不在「多」，在「跨三类原理」——如果只采一种传感器，5000 小时也只能服务一种硬件；覆盖三类，才能学到「不管用什么原理测，滑动就是滑动」这个共性。
这也解释了为什么开源是理性的选择：触觉传感器的路线之争短期内不会收敛，磁的、视的、压阻的各有各的成本与场景。谁也无法确定哪条路会赢，那就干脆做那层「谁赢都能用」的翻译层。这是基础设施的典型打法——不押注硬件，押注接口。
过去接一台新灵巧手，触觉这块的工作量大致是三段：驱动适配（把厂商 SDK 接进来）、标定（把原始值映射到物理量）、重训（让动作模型认识这套新信号）。第三段最贵，因为它要重新采数据。
统一表征压的正是第三段。如果表征层的语义是跨硬件稳定的，那么换一只手时，前两段仍然要做，第三段可能大幅缩短甚至免掉。
这带来的报价结构变化很直接：过去「换手」是一个项目，现在「换手」可能是一次配置。
判断：这条线一旦站住，灵巧手市场的竞争逻辑会变。现在客户选手指，比的是自由度、负载、价格、耐用性；以后还会比一条——「接不接得上主流触觉表征」。接不上的手，会在集成环节被加价，哪怕它的硬件参数更好。这对国产灵巧手是个机会：谁先把接口对齐，谁就先进入别人的方案书。
但也要把话说全。90% 这个数是拧瓶盖这个任务上的，它属于「接触状态明确、失败可感知」的典型场景。换成更复杂的任务——比如柔性物体塑形、多指协同插装——触觉表征能带来多少提升，报道没有给。从 62.5% 到 90% 这 27.5 个点能不能复制到别的任务上，才是这层表征真正的含金量。
第一，把「原始信号」和「表征」分开测。评估任何触觉方案时，要求对方给出三档数据：无触觉、原始信号、表征后。只给两档的，多半是没做表征那层。这一组对照比任何参数表都有说服力。
第二，问清楚跨模型测试清单。如果对方只在自家模型上测过，那它的表征可能绑定了自家策略网络；如果像这次一样跑了 π0.5、Diffusion Policy 这类外部基线，可信度高一个档次。
第三，把「换手成本」写进采购合同。不是问「支持哪些手」，是问「从 A 手换到 B 手，需要多少工时、是否需要重采数据」。这个条款现在几乎没人写，但它是未来两年最可能产生额外费用的一项。