60.1 分对 35.4 分:一个 7B 的触觉模型赢了 GPT-4o,但差别其实在 132.3 万对数据
Touch-R1 综合得分 60.1,比 GPT-4o 高 24.7 分。这个对比好看,但它真正说明的不是「小模型赢了通用大模型」,而是触觉这条赛道的数据量,还停在视觉的千分之一量级。
- 模型:戴盟机器人主导研发的 Touch-R1 被 NeurIPS 2026 正式接收,被称为首个触觉锚定的物理推理模型,首次把强化学习系统性引入触觉推理,把触觉认知从「看起来是什么」推到「实际是什么」。
- 配套:同步发布 TouchReason-1M 数据集(14700 条触觉序列、132.3 万个同步数据对)与 TouchReason-Bench 评测基准;Touch-R1-7B 在该基准上综合得分 60.1,比 GPT-4o 高出约 24.7 分。
- 两笔钱:戴盟在入选前后两个月内连续完成亿元级 A 轮与数亿元战略融资;触觉传感器全球出货数万片,开源触觉数据集下载量突破 1000 万次,累计服务全球超过 200 家客户,含 OpenAI、Figure。
- 产线那一端:星际光年 2024 年成立,Pantheon 绳驱灵巧手已进奔图科技打印机总装线,连续数月完成识别部件、对位插接、装配到位等二十余项精细操作,节拍与产线对齐;这只手自重 290 克、握力 500 牛以上。
- 区域底座:深圳把灵巧手、VLA 模型、数据集并列写进同一份攻关清单;广东筹建「1+1+N」具身智能训练场体系,开放超 50 个应用场景、拿出超亿元攻关资金。
- 判断:60.1 比 35.4 只在一个专用基准上成立,不能读成「7B 超过 GPT-4o」。这条消息真正的信息量在分母——14700 条触觉序列、132.3 万对同步数据,这个量级比视觉预训练数据小了三到四个数量级。触觉不是缺模型,是缺数据;而缺数据的赛道,先修「怎么采」比先修「怎么算」更划算。
抓一个水果,人不用盯着看。手指碰到的一瞬间就知道该用多大力,滑了会自动加力,软了会自动收力。这个动作机器人做不好,原因不在眼睛。
Touch-R1-7B 在 TouchReason-Bench 上综合得分 60.1,比 GPT-4o 高约 24.7 分。反推过去,GPT-4o 大约在 35.4 分左右。
这个对比很抓眼球,但它只能在一个前提下成立:这个基准测的是触觉推理,不是通用能力。GPT-4o 没有触觉输入通道,它在这类任务上等于闭着眼睛答题——赢它是应该的,不赢才奇怪。
所以这条消息真正的价值不在「谁赢了」,在于它揭示了一个此前没人量化的东西:触觉数据的规模,究竟有多大。
14700 条序列,132.3 万个同步数据对。平均一条序列约 90 个数据对——这个比例说明每一条触觉记录都很短,是「一次抓取的完整过程」,不是「连续工作一小时」。
把它和视觉的数据量摆在一起,差了三到四个数量级。这不是批评,是现状:触觉传感器没有互联网级的现成语料,每一对数据都要靠人在真实物体上摸出来。
报道里有一个说法值得细读:Touch-R1 把触觉物理认知「从看起来是什么,转变为实际是什么」。
这句话描述的是一个具体的工程困境。多模态模型普遍以视觉为主,看到杯子就知道是杯子,但不知道这个杯子有多重、杯壁有多薄、该用 3 牛还是 8 牛的力。视觉能回答「是什么」,回答不了「用多大力」。而抓取失败的原因,绝大多数时候是后者。
更麻烦的是传感器不一致。不同厂家的触觉传感器,输出格式、量程、灵敏度都不同;在一个传感器上训出来的模型,换一片就失效。所以「触觉锚定」的核心不是让模型更懂物理,是让模型不依赖某一种特定的传感器——报道提到它实现了「跨传感器的一致判断」。
判断:跨传感器一致性,是触觉模型能不能商业化的分水岭。如果模型绑定传感器,那卖模型的必须同时卖硬件,客户被锁死,规模上不去;如果模型能跨传感器,硬件就退化成标准件,模型可以单独卖。前者是项目制生意,后者才是平台生意。这也是为什么这家公司把自己的定位从「做灵巧手」改成「感知—数据—模型—部署应用」——手只是传感器的载体。
论文和产线之间隔着一道鸿沟,广东这边的做法是把两边放在同一篇报道里讲。
星际光年的 Pantheon 绳驱灵巧手进了奔图科技的打印机总装线,连续数月完成识别部件、对位插接、装配到位等二十余项精细操作,节拍与产线对齐。这只手自重 290 克,握力 500 牛以上。
这两个数字放在一起很惊人:握力是自重的约 176 倍。但换算之前要先问一句:500 牛的握力是在什么条件下测的?指尖对捏、整手闭合、还是借助了绳驱的机械增益?测试条件不同,这个数字可以差好几倍。报道没有给。
更有信息量的是那句「失败—修正—记忆」的闭环:一次抓偏、一次卡滞,系统秒级自我修正,再把教训沉淀成可复用的策略。这是把工厂里老师傅的手感,变成可回放的策略库。
判断:绳驱方案在灵巧手赛道是个非主流选择——主流是直驱或连杆。绳驱的优点是轻(290 克对同自由度直驱手往往要 600 克以上)、力量大、柔性好;缺点是绳子会疲劳、会蠕变、需要张紧机构,长期一致性是硬伤。选择绳驱,本质是赌「轻和力」比「寿命和一致性」更重要。这个赌注在表演、科研、轻装配场景下成立,在两班倒的量产线上要打问号。客户结构也印证了这一点:Gaia Hand 的客户里约 40% 是高校与科研团队,约 40% 是采购力控关节的人形整机厂——真正把它放进自有产线连续跑整年的制造企业,还不是主力。
区域层面的动作比单个产品更值得记。深圳把灵巧手、VLA 模型、数据集并列写进同一份攻关清单——《深圳市具身智能机器人技术创新与产业发展行动计划(2025~2027 年)》;省级层面,广东筹建「1+1+N」具身智能训练场体系,开放超 50 个应用场景、拿出超亿元攻关资金。
报道没有解释「1+1+N」分别指什么,也没给场景名单和资金拨付方式。但从「训练场」这个词可以推断它的功能定位:提供真机、真场景、真工位,让企业不必自建数据采集线就能拿到数据。
这件事的经济含义比技术含义大。一条自建数采线的成本包括场地、机器人、操作员、被采对象(真实零件与物料)、以及最贵的——产线停线的机会成本。对一家成立一年的初创公司,这笔钱它出不起;对地方政府,这是一次性基建投入,可以摊到几十家企业身上。
公共底座的正面:把「数据采集」从企业的固定成本变成公共品,等于把行业的进入门槛从「有没有产线」降到「有没有算法」。广东的优势恰好在这里——它是制造业大省,工位不用造,现成的。
公共底座的隐忧:训练场采出来的数据是同质的。所有在同一个训练场训出来的模型,会在同一批工位上表现很好,在训练场没覆盖的工位上表现未知。当场景名单由政府定,技术路线也间接由政府定。
同一篇报道里还有一个细节值得注意:深圳离电型触觉传感企业赛感科技完成数千万元 PreA++ 轮融资,由广州工控东高基金独家投资,双方已敲定首批订单,落地于汽车制造检测环节。
判断:这是「资本 + 场景」捆绑的标准形态——国资基金出钱,同时给出第一个客户。对初创公司,这比纯财务投资有用得多,因为它把最难的第一单解决了;但代价是,公司的产品路线会向出资方的产业需求倾斜。短期是加速,长期是路径依赖。这条路广东走得比别处快,也意味着这里的公司更早被「场景」定型。
报道开头的那个比喻值得留在最后:人拿水果不用盯着看,手指自己找物体、自己控制力气;机器人能看见颜色和类型,却控制不好力道,差一点就抓空,过一点就捏烂。
过去两年,灵巧手的竞争指标是自由度——20 个、22 个、27 个,往人手的数字上靠。现在这个指标正在失效,因为自由度高不等于能干精细活,一只 22 自由度的手如果没有一个懂接触的模型驱动,实际用起来的有效自由度可能不到一半。
所以坐标换成了「背后有没有一个懂物理的脑」。这个说法在产业界已经被广泛接受,但它的可验证性很差——「懂物理」没法打分,除非有一套公认的接触任务基准。TouchReason-Bench 想做的就是这个,问题在于它是自建的。