Anthropic 的 Fable 5.2 依靠摄像头视觉信息控制机械臂完成还原魔方，而国内 LingBot-Touch 触觉模型完成了新突破，首次把人类的触觉手感转换成通用 Token，实现不靠视觉、仅凭触觉信号完成搓麻将、摸牌这类精细操作，也就是大家所说的 AI 闭眼搓麻将。之前很多具身 AI 都依赖摄像头视觉感知，像拧瓶盖、抓滑瓶子这类精细动作很容易打滑、失控，因为视觉看不到接触面压力、摩擦力这些细微信号，国内这套 LingBot-Touch 方案统一融合视触觉、磁触觉、压阻触觉信号，把触觉感知编码成标准化 Token，轻量化的 532 万参数模块可以直接对接主流动作大模型，几乎不增加算力负担，在挤牙膏、抓握滑瓶、盲摸麻将等测试里，精细操作成功率大幅上涨。整套技术路线分为两条，一条是 Fable 5.2 的纯视觉具身路线，靠图像识别、规划动作完成魔方操作；另一条是国产触觉 Token 路线，采集触觉信号、编码成触觉 Token，再交给动作模型输出控制指令，后续可以广泛用到灵巧手、工业装配、家政机器人等需要精细手感的场景。
两套方案核心参数对比
| 项目 | Fable 5.2（视觉解魔方） | LingBot-Touch（触觉 Token，盲搓麻将） |
|---|---|---|
| 核心感知方式 | 纯视觉摄像头输入 | 视触觉、磁触觉、压阻触觉融合 |
| 模型参数量 | 旗舰大模型 | 轻量化 Tiny 版本 532 万参数 |
| RoboDojo 魔方任务成功率 | 64.9% | 不参与该视觉基准，主打触觉任务 |
| 特点 | 不需要触觉传感器，靠图像规划动作 | 把 “手感” 编码成通用触觉 Token，可脱离视觉 |
| 典型演示任务 | 拼魔方、拧瓶盖、画图、齿轮装配 | 盲摸麻将、抓握滑瓶、挤牙膏、精细夹持 |
| 算力开销 | 高 | 极低，接入后仅增加 0.13%~0.16% 参数量负担 |
LingBot-Touch 触觉 Token 化核心能力清单
- 多模态触觉统一编码：把三种不同类型触觉传感器信号，翻译成统一格式触觉 Token
- 轻量化即插即用：不用改动原有动作大模型主干，直接作为附加模块接入
- 盲态感知能力：关闭视觉摄像头，依靠触觉 Token 识别物体、纹理、摩擦力，实现闭眼搓麻将摸牌
- 握力动态微调：识别打滑、压力变化，实时调整夹持力度，防止捏碎或者滑脱
- 跨灵巧手迁移：这套触觉 Token 是通用格式，换不同型号灵巧手也可以复用这套手感模型
Fable 5.2 具身能力要点
- 在 RoboDojo 双臂机器人仿真测试中，成功率 64.9%，是 GPT-6 Astra（29.8%）的两倍以上
- 没有专门针对魔方、拧瓶盖任务做专项训练，属于泛化能力测试
- 输入只有摄像头画面，没有触觉反馈，动作判断全部依靠视觉画面
- 除了机器人控制，还支持复杂科研推理、代码、硬件设计、形式化数学证明
LingBot-Touch 触觉 Token 落地步骤
- 触觉传感器采集：灵巧手指尖采集压力、摩擦力、形变触觉原始信号
- 触觉编码：Tiny 模型把原始触觉信号转化为标准化触觉 Token
- 多模型融合：触觉 Token 和视觉 Token 一起送入动作大模型，或者单独使用触觉 Token
- 策略推理：动作模型根据 Token 输出关节控制指令
- 闭环反馈：执行动作后再次采集触觉信号，持续修正握力、姿态
- 场景迁移：在盲摸麻将、柔性物体操作等场景做测试迭代
两条技术路线的区别
- Fable 5.2 视觉路线：看得见才能操作，适合开阔、无遮挡、不需要细微力度感知的任务；遇到打滑、遮挡很容易失效
- 国产触觉 Token 路线：复刻人类 “手感”，就算看不见物体，依靠触觉 Token 感知软硬、滑涩，适合柔性物体、密闭、遮挡场景精细操作
【相关 FAQ】
问题 1：Fable 5.2 睁眼拼魔方，它是靠触觉还是视觉完成魔方还原？
回答 1：Fable 5.2 睁眼拼魔方完全依靠摄像头视觉画面完成任务，没有接入触觉传感器，靠视觉识别魔方色块、规划动作。
问题 2：实现 AI 闭眼搓麻将的这套方案，是怎么做到人类手感首次 Token 化的？
回答 2：实现 AI 闭眼搓麻将的 LingBot-Touch，将视触觉、磁触觉、压阻触觉信号统一编码为通用触觉 Token，把人类手部的触感、摩擦力、压力手感转化为模型可以识别的 Token，实现手感 Token 化。
问题 3：Fable 5.2 和能闭眼搓麻将的触觉 Token AI，哪一个更适合精细柔性操作？
回答 3：Fable 5.2 依靠视觉，容易打滑失控；可以闭眼搓麻将的触觉 Token 方案自带触感反馈，更适合挤牙膏、摸牌这类需要精细力度感知的柔性操作。
问题 4：LingBot-Touch 触觉 Token 模型体积大吗，接入动作大模型会不会消耗大量算力？
回答 4：LingBot-Touch 触觉 Token 轻量化版本只有 532 万参数，接入主流动作大模型之后，仅增加 0.13%~0.16% 参数量负担，算力开销很低。
问题 5：AI 闭眼搓麻将的触觉 Token 方案，除了摸麻将还有哪些能用的场景？
回答 5：AI 闭眼搓麻将的触觉 Token 方案，还可以用于抓取滑溜容器、柔性软管装配、家政机器人精细操作、工业零件分拣等需要手感的任务。
【参考资料】
[2026-11-10]（Fable 5.2 睁眼拼魔方，中国 AI 闭眼搓麻将！人类 “手感” 首次 Token 化）凤凰网科技
[2026-11-10]（Fable 5.2 睁眼拼魔方，中国 AI 闭眼搓麻将！人类 “手感” 首次 Token 化）腾讯新闻
[2026-11-09]（Introducing Claude Fable 5.2 and Claude Mythos 5.2）Anthropic 官网
[2026-11-10]（Fable 5.2 登场：解出两道黑洞物理难题，30 小时完成费马大定理形式化）DeepTech 深科技
【免责声明】
本文内容仅为具身智能行业资讯科普，Fable 5.2 的 RoboDojo 测试成绩为仿真环境下的测试结果；LingBot-Touch 触觉 Token、AI 闭眼搓麻将属于实验室研究成果，尚未大规模商用；触觉 Token 化效果、操作成功率受传感器精度、灵巧手硬件、物体材质影响；本文不构成机器人采购、技术选型、项目投资建议，相关技术商业化进度以各团队官方公告为准。