比李飞飞的T-Rex更进一步：戴盟给机器人装上了「物理交互脑」

"The dexterity of a hand is mostly about the brain, not the hand."

这是 “全球机器人灵巧操作之父” Matthew Mason 写在个人主页上的一句话：

。

Matthew Mason 为卡内基梅隆大学教授，他开创了研究机器人操作领域的研究，门下学生遍布全球机器人研究机构与行业巨头。图片来源：www.ri.cmu.edu

这句话正好解释了今天具身智能的关键问题：机器人正在拥有越来越复杂的手，但当机器人真正进入现实世界，

问题或许从来都不只在 “手” 上。具身真正缺乏的，是一个懂物理、懂交互、能够驱动这双手的 “脑”。

8 月 10 日，戴盟机器人正式发布

（Tactile-grounded World Model），以原生触觉贯穿物理认知、推演决策和瞬时反应全阶段。这个 “” 不仅能理解正在发生的物理接触，还能预测下一步交互会发生什么，并根据瞬息万变的反馈及时修正动作。

Daimon-TWM 技术与架构介绍

触觉是机器人操作能力的关键 —— 这在今年已经成为行业共识。例如不久前李飞飞署名的论文 T-Rex，证明了触觉可以提高机器人的操作能力。

这里的逻辑其实不难理解。拿起一个纸杯时，眼睛可以告诉我们杯子在哪里、是什么形状，却无法直接告诉我们该用多大的力。

：杯壁是否发生形变，杯子有没有滑动，手指施加的力量是否足够，继续用力会不会把杯子捏扁…… 任何与物理世界的真实交互，最后一厘米都要交给触觉。

那为什么触觉仍未大规模应用到具身模型？因为 “手感” 是出了名的说不清。

当我们描述拿起一个杯子的手感时，需要

。拿软硬来说，“软” 和 “硬” 只是两个极端， —— 这种细微差异难以用语言描述，照片也拍不出来，却直接决定操作的成功率。

视觉相似的物品，模型必须学会通过触觉判别其物理属性

因此，戴盟首先解决的并不是 “让机器人怎么动”，而是

。

Daimon-TWM 学习了覆盖上万种物体、跨不同材质的 1000 多万组物理交互数据，将原始触觉中的受力、形变、摩擦等复杂变化转化为模型可理解的统一物理语义。

更重要的是，它不满足于让模型 “猜答案”，而是训练模型

。这种能力在视觉与触觉发生冲突时尤其重要 —— 视觉可能把橡胶判定为塑料、可能把带图案的光滑表面判定为粗糙纹理，只有真正懂触觉的模型，才能准确判断物理属性与物理状态，从而规划下一步的操作。

Daimon-TWM 能够根据触觉推理物体的物理属性

换句话说，

效果直接反映在成绩单上：Daimon-TWM 在物理认知九项核心指标全部第一，综合得分达到 60.1 分，不仅领先触觉专用模型 SToLa 12.6 分，更领先 GPT-4o 24.7 分。

Daimon-TWM 在物理认知多项核心指标上均取得最优成绩

这也揭示了一个容易被忽视的问题：通用大模型读过海量文字、看过无数图片，却从未真正 “摸” 过一个物体 —— 但

如果说物理常识是地基，那 Daimon-TWM 真正的杀手锏，是

。

在李飞飞的 T-Rex 中，触觉可以在接触发生后帮助模型及时纠偏。然而，

，齿轮怼歪了、杯壁捏裂了，就再也回不去了。真正灵巧的机器人不能等错误发生之后再纠正，而是。

这正是 Daimon-TWM 更进一步的地方。当全行业都在用世界模型预测下一帧画面时，

：交互还未发生，模型已经提早一步推演出未来的动态变化。

双齿轮装配任务中，预测触觉信号（上）与实测触觉信号（下）高度相似；图片来源：参考技术报告 [2]

借助统一的触觉表征、触觉思维链（T-CoT），以及一套由粗到细展开的未来触觉预测机制，

。更值得一提的是，它并不会让机器人从头到尾都死盯着触觉信号不放，而是，把触觉真正推到判断下一步动作的关键证据位置上。

在结果对比里，模型预测的触觉变化与实际测量值几乎完全重合。凭借 “未卜先知” 的能力，Daimon-TWM 完成了

这一高难度任务 —— 不仅要依次插上两个大小不同的齿轮，还要让齿牙严丝合缝地咬合。对纯视觉模型来说，这几乎是不可能完成的任务。

现实中的物理交互可能会遇到各种扰动，变化往往发生得非常快，模型除了预判能力，还必

。

为此，Daimon-TWM 采用了 “

” 的分层机制：上层负责理解任务，并预判给出整体策略；底层的触觉 - 动作控制器则以 100Hz 高频伺服，根据实时触觉反馈对动作进行毫秒级修正。

Daimon-TWM 模型架构图

三大模块协同互作，

，由此形成完整闭环：

戴盟公布的消融实验证明了这是一套系统性优势，去掉任何一项都会导致成功率下滑。随模型发布的接触密集型操作 demo，更把这套能力翻译成了肉眼可见的画面。

消融实验：以 USB 插拔成功率验证 Daimon-TWM 的系统性优势

比如

时，视觉负责寻找大致位置，但真正插入时，必须依靠触觉判断是否对齐。如果一侧受力突然增强，意味着 USB 可能已经偏斜，；插到底后，模型感觉到 USB 与接口的接触，整个过程中包含 “找到 - 插入 - 停止”，每一步都依赖触觉赋予的认知、预判和瞬时反应能力。

插入 USB 时，模型能够根据实时触觉反馈调整位置和用力

：海绵既要始终贴住凹凸的曲面，又不能施加过大的力；当花瓶位置突然改变，原本规划好的轨迹立即失效，，才能稳稳跟住不断变化的花瓶完成作业。

随机人为扰动，改变花瓶位置，模型根据顺势反馈和预测规划能力，迅速调整擦拭轨迹

这也解释了开头那组数据里最重要的部分：在接触密集型操作任务中，无扰动条件下，Daimon-TWM 的 64% 对 π0.5 的 26% 已经足够引人注目；

。真正拉开差距的，不是机器人能不能把标准动作做出来，而是在永远有意外情况的真实世界中，模型能不能随机应变。

在调整（铅笔、试管）、擦拭（黑板、花瓶）、插入（USB、插头）、齿轮装配等多项任务中，Daimon-TWM 与 π0.5 成功率对比（cln：无扰动；ptb：有扰动）

Daimon-TWM 的能力并非仅仅来自模型结构，而是诞生于

。

从触觉传感器，到数据采集网络、数据处理管线，再到物理交互能力评测基准，戴盟构建了一套

其中，自研

，可完整获取切向力、法向力、摩擦、滑移、纹理等多项触觉模态，提供高质量全模态的触觉数据；，则为模型提供了源源不断的训练燃料。今年 4 月，戴盟已于阿里魔搭社区开源部分数据，目前获得超 440 万次下载，位列魔搭社区物理世界数据集第一名。

魔搭社区主页截图

• 链接：https://modelscope.cn/datasets/daimonrobotics/Daimon-Infinity

这套基础能力，源于戴盟贯穿学术研究与产业落地的 “触觉操作基因”：

戴盟创始人兼首席科学家

，身为全球机器人操作领域权威，在斯坦福大学发布的 “终身科学影响力排行榜” 和 “年度科学影响力排行榜” 中均位列全球前 1%。在今年 6 月的国际机器人与自动化会议（ICRA）大会上，王煜发表发表《Touch Physical AI》主题演讲，提出，获得行业广泛认可。

另一位创始人兼 CEO 段江哗，是国内最早投身机器人操作研究的一批研究者之一，长期站在科研、创业和产业实践的第一线。负责模型研究的首席 AI 科学家原玮浩，则持续深耕具身智能与多模态大模型方向，曾担任阿里通义实验室多模态大模型研究专家，在大模型领域积累了相当扎实的经验，并已在 NeurIPS、ICLR、CVPR、ICRA 等人工智能顶级会议发表 40 余篇论文，其中包括多篇 Oral 和 Highlight。

回到 Mason 的那句话：“The dexterity of a hand is mostly about the brain, not the hand.”

Daimon-TWM 真正值得关注的，不只是某几项任务成功率的提高，而是它

。

从 “看见再行动”，到 “接触后反应”，再到 “预测接触、主动调整”，机器人正在从执行预设动作，走向真正意义上的物理交互。

语言模型的奇迹，来自互联网上的万亿文本；而物理智能的奇迹，或许将来自每一次真实的触碰。

当

，具身智能的 ChatGPT 时刻，可能比我们想象的更近。

• 相关技术报告：

  https://arxiv.org/pdf/2605.27154

  https://arxiv.org/pdf/2606.31723