# 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。

### TLDR

- **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。**

### SRC

主源为 21 世纪经济报道 **2026-11-14 07:00**《广东灵巧手突破"最后一厘米" 竞速具身智能落地闭环》（https://m.21jingji.com/article/20261114/20f421292ba70f649d598e7b5be52a42.html ），为记者郑康喜的实地采访稿；技术细节的一手来源为戴盟机器人 Touch-R1 论文（被 **NeurIPS 2026** 接收，论文编号与最终版本文未见公开页，未能独立打开复核）。发布时间在本批素材时间窗「前一日 18:00 → 当日 09:00」（2026-11-14 18:00 → 2026-11-15 09:00）之外，按扩窗规则第一条处理：**本窗新增量为该论文的产业侧解读与广东「1+1+N」训练场体系的首次成组披露**，本文依此增量写作。

可靠性分层：①**论文被 NeurIPS 2026 接收**属可核事实，会议结果公开；②**60.1 分、高出 GPT-4o 约 24.7 分、14700 条序列、132.3 万数据对**均出自论文与公司口径，**基准为该团队自建（TouchReason-Bench）**，非第三方公认榜，自建基准上的分数须打折看待；③触觉传感器出货「数万片」、数据集下载「超 1000 万次」、客户「超 200 家含 OpenAI 与 Figure」均为**公司自述**，无第三方核验，且「下载量」不等于「使用量」，更不等于「生产部署」；④星际光年 290 克 / 500 牛、奔图产线二十余项操作、连续数月，为公司自述 + 记者现场采访，未见客户方表态；⑤「1+1+N」的具体构成（一个什么、一个什么、N 个什么）、50 个场景名单、亿元资金的出资方与拨付方式，报道均未展开，本文不推测。文中判断均以「判断：」开头，版权与免责声明由模板自动附加。

### BODY

<p>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。</p>

<div class="sec">
<div class="eyebrow">一、60.1 对 35.4，先把这个对比拆开</div>

<p>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。</p>

<div class="jx-bars">
<div class="jx-bar-row"><div class="jx-bar-lab">Touch-R1-7B</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:100%"></div></div><div class="jx-bar-val">60.1 分</div></div>
<div class="jx-bar-row"><div class="jx-bar-lab">GPT-4o（反推）</div><div class="jx-bar-track"><div class="jx-bar-fill" style="width:58.9%"></div></div><div class="jx-bar-val">约 35.4 分</div></div>
<div class="jx-legend"><div class="jx-lg">同一基准（TouchReason-Bench）上的综合得分，柱长以 60.1 分为满格。GPT-4o 分值由「60.1 − 24.7」反推，非原文直接给出；该基准为团队自建，非第三方公认榜。</div></div>
</div>

<p>这个对比很抓眼球，但它只能在一个前提下成立：<strong>这个基准测的是触觉推理，不是通用能力。</strong>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。</p>

<p>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：<strong>触觉数据的规模，究竟有多大。</strong></p>

<p>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」。</p>

<p>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。</p>

<div class="keypoint">判断：触觉这条赛道现在的瓶颈不是模型容量，是数据供给。这解释了两件事——为什么一个 7B 的小模型就能在专用基准上领先，因为任务窄、数据少，大模型没有优势；也解释了为什么戴盟要把「开源数据集下载量」当成对外指标，因为在这个阶段，谁能把数据变成公共品，谁就定义了别人训练时的起点。</div>
</div>

<div class="sec">
<div class="eyebrow">二、「触觉锚定」这四个字，解决的是什么问题</div>

<p>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」。</p>

<p>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。</p>

<p>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<strong>不依赖某一种特定的传感器</strong>——报道提到它实现了「跨传感器的一致判断」。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">三、产线上那只 290 克的手</div>

<p>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。</p>

<p>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。</p>

<p>这两个数字放在一起很惊人：握力是自重的约 <strong>176 倍</strong>。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。</p>

<p>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。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">四、1+1+N：把数据成本从企业挪到公共平台</div>

<p>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。</p>

<p>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。</p>

<p>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。</p>

<div class="jx-cols">
<div style="flex:50">
<p><strong>公共底座的正面</strong>：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。</p>
</div>
<div style="flex:50">
<p><strong>公共底座的隐忧</strong>：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。</p>
</div>
</div>

<p>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。</p>

<p>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。</p>
</div>

<div class="sec">
<div class="eyebrow">五、坐标换了：从比自由度到比「懂不懂物理」</div>

<p>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。</p>

<p>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。</p>

<p>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。</p>

<div class="keypoint">判断：这一轮竞争的胜负手，不在谁先做出 27 个自由度的手，而在谁能先把「接触任务的验收标准」变成行业共识。谁定标准，谁就定义了什么叫做「会干活」。目前看，学术界（NeurIPS 收录）和产业界（自建基准）在同时做这件事，但双方各建一套，标准反而更碎了。对采购方来说，这意味着未来两年仍然只能靠「上产线跑一年」来验收，没有捷径。</div>
</div>

<div class="srcline">来源：21 世纪经济报道 2026-11-14 07:00（Touch-R1 入选 NeurIPS 2026、60.1 分与高出 GPT-4o 约 24.7 分、TouchReason-1M 14700 条序列 / 132.3 万数据对、戴盟融资与出货 / 下载 / 客户数、星际光年 Pantheon 290 克 / 500 牛 / 奔图产线、赛感科技 PreA++、深圳行动计划与广东 1+1+N、50 个场景 / 超亿元资金）。176 倍为自重与握力换算，基准为团队自建，分数须打折看待。</div>

---

*来源：神机百见-具身解读 · https://www.shenjibailian.com/jiedu/article/guangdong-tactile-touch-r1-132w-pairs/*
