65%、35%、42%：松下这台触觉 VLA 的 30 个百分点里，有 23 个是「摸出来的」
12 项接触密集型任务，平均成功率 65%，比此前最好方法高 30 个百分点。把触觉通道摘掉，成绩掉到 42%——也就是说，那 30 分里有 23 分是手指给的，剩下的 7 分才是模型本身的功劳。
- 事实：2026-11-05，松下控股（Panasonic HD）与松下美国研发（PRDCA）联合 UC Berkeley、NVIDIA、斯坦福、罗马 Sapienza、ItalAI，发布机器人操作 AI「T-Rex」（Tactile-Reactive Dexterous Manipulation），成果将于 11 月 9–12 日在奥斯汀 CoRL 2026 发表。
- 成绩：在翻页、转移鸡蛋、挤牙膏、钥匙开锁、抽卡片、拧灯泡等 12 项接触密集型真实任务上，平均成功率 65%，超过此前最好基线 35% 共 30 个百分点；把触觉通道去掉，成功率掉到 42%。
- 结构：双频控制——视觉语言模块约 5 Hz 生成动作主线，指尖触觉校正模块约 20 Hz 实时修正，中间差 4 倍；触觉信号来自 10 个指尖的力与形变传感器。
- 数据：先吃 22,889 小时人类第一视角视频，再用 7,700 多条 / 约 100 小时双手操作数据做中训练（200 多种日常物体 × 22 种基本动作），最后每任务约 100 次示范做微调。机器人数据只占总训练时长的 0.44%（本号计算）。
- 判断：这 30 个百分点里，23 个来自触觉，占 76.7%。 换句话说，这项工作的增量不在「把 VLA 做得更大」，而在「让 VLA 每 50 毫秒被手指纠一次」。真正值得抄的不是模型结构，是那条 20 Hz 的回路——它把行业的注意力从参数规模拉回到接触闭环。
11 月 5 日，松下在大阪发了一篇稿子，标题很长：与多所高校及研究机构共同开发了一款能对指尖触觉即时反应的机器人操作 AI。
稿子里最抓人的是三个数：65%、35%、42%。
65% 是 T-Rex 在 12 项接触密集型真实任务上的平均成功率；35% 是此前最好方法的成绩；42% 是把触觉通道摘掉之后 T-Rex 自己的成绩。
这三个数放在一起，讲的是一个很具体的道理。
从 35% 到 65%，涨了 30 个百分点。摘掉触觉，从 65% 掉到 42%，跌了 23 个百分点。
23 ÷ 30 = 76.7%。
也就是说，这套系统相对现有方法的全部领先，有超过四分之三可以归因于「手指能摸到」，剩下的不到四分之一才是视觉语言模型本身、训练数据、微调策略这些东西的贡献。
这个结论和当前的主流叙事有点相反。过去两年，具身智能的钱和注意力主要流向「更大的 VLA」——更多参数、更多数据、更强的视觉理解。T-Rex 的消融实验说：在你已经有一个不错的 VLA 之后，再加视觉不会让它学会挤牙膏，加触觉会。
判断：这不是说视觉不重要，是说视觉解决的是「抓什么、往哪去」，触觉解决的是「现在这一下会不会捏碎」。前者靠常识，后者靠反馈。行业在这两件事上投入的资源严重不对称——因为前者能拍成漂亮的演示视频，后者只能写进成功率表格。
T-Rex 的结构可以概括成一句话：慢的负责想，快的负责改。
视觉语言模块大约以 5 Hz（每 200 毫秒一次）生成整体动作；指尖触觉模块大约以 20 Hz（每 50 毫秒一次）读接触状态、修正动作。四倍的关系，意味着每一次「想」之间，手指有四次机会说「不对」。
新闻稿里有一句话很关键：触觉模块让机器人「不必每次都重跑高延迟的图像识别」。这句话点出了传统 VLA 的死穴——它的闭环太长。摄像头拍一张、模型推一次、动作下发一次，这个循环在 5 Hz 左右；而真实的接触事件，比如一颗鸡蛋壳开始出现微裂纹、一张薄卡片开始打滑，发生的时间尺度是几十毫秒。
判断：20 Hz 不是一个性能指标，是一个权限问题。它意味着触觉回路被允许绕开视觉回路，直接改动作。很多号称「融合触觉」的模型做不到这一点，因为它们把触觉当成一个额外的输入通道塞进同一个 5 Hz 的推理里——那样触觉只是「更多信息」，不是「更快反应」。
训练分三段：22,889 小时人类第一视角视频；7,700 多条、约 100 小时的双手操作数据；每任务约 100 次示范微调。
做个除法：100 ÷ 22,889 ≈ 0.44%。
触觉标注的机器人数据，只占全部训练时长的不到千分之五。但它带来了 77% 的增益。
再看这 100 小时的构成：200 多种日常物体、22 种基本动作（插、拔、拧、剥、挤……），7,700 多条 episode。100 小时 ÷ 7,700 条 ≈ 每条不到 47 秒。
这条数据组织方式值得单独说：他们没有去录「做一顿早餐」这种长任务，而是把「插、拧、挤、剥」这些原子动作切出来，用大量物体去覆盖。判断：这是把数据从「任务级」降到「动作级」。任务级数据教模型做事顺序，动作级数据教模型力怎么使。前者能从人类视频里学到，后者必须真机采。这也解释了为什么 100 小时够用——它补的正是人类视频里没有的那部分。
再补一个容易被忽略的细节：机器人本体用的是一台 Dexmate Vega-1（双臂各 7 自由度），末端是两只 Sharpa Wave 灵巧手（各 22 自由度），全身 58 个自由度，每只手指尖 5 个传感器，每个记录形变深度图和六轴力。也就是说，这套方法的门槛不只在算法，还在硬件——没有 10 个能测力的指尖，20 Hz 的回路无从谈起。这对国内做人形本体的厂商是个现实提示：触觉不是选配。
65% 听起来像「三分之二能用」，但它更可能是单步成功率。真实任务是连着做的：开锁、抽卡、开箱、取物、关箱。
如果每一步独立、每步 65%，那么连做 5 步一次成功的概率是 0.65⁵ ≈ 11.6%；同样的 5 步，按 35% 算是 0.35⁵ ≈ 0.53%。比值约 22 倍。
| 任务步数 | T-Rex（每步 65%） | 基线（每步 35%） | 倍数 |
|---|---|---|---|
| 2 步 | 42.3% | 12.3% | 3.5 倍 |
| 3 步 | 27.5% | 4.3% | 6.4 倍 |
| 5 步 | 11.6% | 0.53% | 22.1 倍 |
这个表的意义不是精确预测，是校准直觉：单步提升 30 个百分点，在长任务上会被放大成数量级的差距。反过来说，65% 的单步成功率离「能上岗」还有很远——一个连做五步只有一成机会一次成功的操作员，是没法放进产线的。
判断：这就是为什么工业场景最先落地的一定是单步或两三步的工序——打螺丝、插连接器、点胶、上下料。步骤越多，成功率衰减越快；而工厂恰好有能力把复杂工序拆成单步。
还有一个细节值得说。据 robrief 报道，T-Rex 的预印本在 arXiv 上从 6 月 15 日就挂着了，34 位作者里只有 1 位挂松下所属机构；松下的新闻稿则到 11 月 5 日才发，署名排在第一位。
这个信息如果成立，它改变的是我们对「新闻」的判断：11 月 5 日发生的不是技术突破，是一次企业级的表态。松下在告诉市场——我们进入具身智能的操作层了，而且拿得出手的工作在这里。
判断：这类「论文早于新闻稿」的情况会越来越多。读者要养成一个习惯：看到大厂发布具身智能成果，先查 arXiv 的上线日期。上线日期决定这件事是「新进展」还是「新包装」，两者的解读完全不同。这一次，方法本身是六月的，牌桌上的位置是十一月的。
把 T-Rex 放回 11-05 这一天看，还有一层对照。同一天，宇树王兴兴在进博会论坛上说，机器人在固定工位训练得当，成功率已接近 100%。两个数字看上去打架——一个 65%，一个接近 100%。
其实不冲突。王兴兴说的是固定工序、单一动作、反复训练的场景；T-Rex 测的是12 种不同物体、接触条件持续变化的通用操作。前者是产线，后者是家庭。65% 是通用性的代价，接近 100% 是专用性的回报。行业现在要选的不是哪一个更高，是哪一段先赚钱。