这阵容堪称豪华，究竟是谁组织的局？李飞飞、Trevor Darrell、Jitendra Malik、Pieter Abbeel、Ken Goldberg、Jim Fan……这些在具身智能领域举足轻重的名字齐聚一堂。让人意想不到的是，他们关注的焦点并非当下大热的通用机器人大脑，而是——灵巧手。
T-Rex项目从何而来？它试图解决一个直观却棘手的问题：为什么自动驾驶靠纯视觉可行，而机器人尤其是灵巧手却很难？手指和手掌进行精密操作时，仅靠摄像头记录运动数据是远远不够的。360度无死角视频数据量巨大，且难以布置机位，更无法像自动驾驶那样形成标准化的数据集，导致模型泛化能力受限。因此，引入触觉成为了一石三鸟的解决方案：提升感知精度、优化操作细腻度、建立标准化数据集。
然而，反直觉的现象出现了：在同样的灵巧手和任务下，T-Rex团队将触觉力信号直接拼接到预训练的VLA模型中，结果任务成功率从17%暴跌至6%。触觉并非简单的“锦上添花”，而是必须解决的难题。论文将原因拆解为三层：
首先是数据成本高昂。现有的大规模机器人数据集主要面向平行夹爪——两根手指一捏一放，遥操作门槛低。但灵巧手有22个自由度，操作员要戴数据手套，每一个手势都要精确映射到机械手上，还要保证视觉、触觉、关节状态严格对齐。目前灵巧手遥操作成本是平行夹爪的5到10倍。
其次是频率不匹配。视觉模型处理一帧图像需几百毫秒，只能跑到5到10Hz。而触觉反应需要毫秒级，20Hz以上才能捕捉到“正在滑”和“已经滑了”的临界点。两种信号塞进同一个低频Transformer，视觉来不及看，触觉来不及反应。
最后是表征过于浅显。许多方法把触觉当成一个静态的数字——“当前压力5牛顿”。但触觉本质是时序信号：滑动、插入、按压、搓动，每种接触状态都有力随时间变化的独特模式。
面对这些问题，T-Rex交出了答卷。在12项真实世界任务中，平均成功率达到65%，比最强纯视觉基线高出30个百分点。翻书页96%对68%，开锁70%对0%——纯视觉方案在开锁任务上完全失效。消融实验显示，若移除触觉输入，成功率从65%降至42%，证明超过三分之一的有效操作依赖“手感”。此外，仅需10条微调演示，经过中期训练的模型即可达到40%的成功率，显示出极强的数据效率。
T-Rex的核心思路在于为触觉开辟一条高速通路，而非挤在慢车道上。其架构采用Mixture-of-Transformer-Experts，包含三个专家：
Latent Expert处理视觉和语言，预测未来表征，相当于给模型提供一个“接下来会发生什么”的大局感。
Action Expert负责低频动作规划，参数量最大，跑一次管一个动作块。
Tactile Expert负责高频触觉精修，参数量较小，轻量到可以频繁触发。
关键机制是Cascaded Flow Matching：扩散去噪通常需要10步才能从噪声变成动作轨迹，而T-Rex在第4步处一切两半。前6步由Action Expert完成，生成一个“大方向对了但缺乏手感细节”的半成品；后4步由Tactile Expert接手，注入实时触觉数据完成精修。为什么是第4步？作者团队通过实验发现，太早切，Action Expert去噪步数太少，继承不了大规模人类视频预训练获得的先验知识；太晚切，动作分布已经定型，触觉信号进来也来不及修正了。第4步刚好处在“该有的形状都有了，但细节还能改”的黄金位置。
触觉信号怎么编码是另一个关键设计。触觉传感器有零点漂移和高频噪声，直接拿原始电压值喂给模型，模型很可能把传感器噪声当成接触特征学进去。T-Rex用VQ-VAE把过去16帧（约0.5秒）的力历史压缩成64个离散码字。不同接触状态——按压、插入、滑动——会被自动聚类到不同的码字上。这样一来，传感器漂移被过滤掉了，触觉信号还变得可解释。
工程细节上，团队有两个创新。一是让码本“活起来”。VQ-VAE码本训练时容易出现“码本坍塌”，即大部分抽屉空着，少数几个塞满杂乱状态。T-Rex的做法是定期检查闲置码本，主动塞点数据进去“激活”它，确保所有码字都被利用起来。二是给“有手感”的时刻更高权重。避免模型化90%的精力去学好“零接触”这个最容易学的状态，而忽略真正有价值的接触瞬间。T-Rex给高力帧更高的学习权重，让模型把算力集中在关键接触点上。
训练策略分为三阶段：先在大规模人类视频上预训练，让模型看懂“人是怎么动的”；再用100小时遥操作数据做中期训练，覆盖207种物体和22种动作基元；最后用约100条任务演示做后训练，快速适配特定需求。其中最核心的是中期训练，它解决了一个根本问题：人手抓杯子的方式和机械手抓杯子的方式不一样，策略不一样，受力反馈也不一样。如果直接拿人类视频训练出来的模型去操控机器人，它不知道怎么把“看来的”转化成“做出来的”。中期训练就是用100小时的遥操作数据，把这道鸿沟填上。它不是让模型死磕某一个具体任务，而是让模型接触多种物体和动作基元的组合，理解“搓”这个动作在不同物体上应该怎么执行、“捏”这个动作需要多大的力。
有了这个基础，最后阶段只用100条任务演示就能快速适配——因为模型已经知道“手感”是什么了，只需要知道“用在哪儿”。
T-Rex的技术路线清晰指向一个判断：视觉和触觉在灵巧操作中不是主从关系，而是并行关系。它用一个异步架构解决了频率不匹配的底层矛盾，用一套时序编码把漂移的传感器信号变成了可解释的离散词汇，用一组基元组合的覆盖策略替代了特定任务的深度堆叠。
灵巧手赛道眼下最热闹的争论，集中在关节运动形式和自由度数量。腱绳还是连杆？丝杠还是齿轮？11个自由度够用还是得干到27个？这些争论当然有意义，但学术前沿的核心关注，不在这些问题中的任何一个上面。因为一个更深层的问题很少被讨论：有了这些硬件，算法能不能用好？传统大模型范式几乎以视觉数据为主，没有针对触觉模态的有效利用方案。T-Rex论文里那个17%掉到6%的实验，恰好说明了这一点——不是触觉没用，是现有多模态大模型架构消化不了触觉。
T-Rex团队的探索最大价值可能在这里：跳出硬件参数的争论，回到一个更根本的问题——灵巧手做精细操作，到底需要什么数据？关节形式和自由度数量解决的是“能不能动”的问题，触觉数据解决的是“能不能感知和反应”的问题，由此衍生出需要什么样的触觉数据这个体系化问题，并给出了一个能泛化的方案。
当然，T-Rex这项研究得以完成，一个关键前提是SHARPA Wave提供的硬件基础——22个自由度、180Hz高频触觉信号、稳定的传感器输出。灵巧手的硬件天花板顶高了，T-Rex才得以在算法层面去够这个上限。反过来，T-Rex的算法探索也给硬件提出了新要求：手掌区域需要触觉感知，不同传感器的数据格式需要统一。
未来，T-Rex的软件与SHARPA的硬件探索方向，可能会给这个细分领域带来更深刻的变化。首先灵巧手可能从具身智能本体中分化出来，成为一个独立赛道——占整机成本15%到20%，经济上可行，技术上门槛也足够高。但如果触觉数据成为核心壁垒，灵巧手就不仅仅是执行器，而是整个感知-决策-执行链条中数据价值最高的一环。谁掌握触觉数据的采集能力和模型训练能力，谁就掌握了议价权。
第二个变化，更多专用场景的具身应用可能被启发。当前具身智能的主流叙事是“通用”——一个模型解决所有任务。但这个叙事在接触密集型任务上遇到了困难，因为通用数据里触觉是缺失的。T-Rex则证明的是另一种可能性：在一个足够具体的垂直场景里，用专用的数据模态（触觉）、专用的架构设计（异步级联）、专用的数据收集策略（基元乘物体），可以取得比“通用”方案好得多的效果。这条路径如果走通，会启发更多人去寻找类似的高价值专用场景。
T-Rex的贡献不是发明了“新数学”，而是把现有工具组合成一套可用的系统方案，试图建立具身智能触觉数据统一的采集、训练范式，推动灵巧手真正scale up起来。
项目地址：https://tactile-reactive-dexterous.github.io/
作者简介：
牛丹彤，UC Berkeley PhD Candidate，NVIDIA Gear Lab实习生，导师Trevor Darrell。主要从事具身灵巧手大模型的研究，曾以第一作者或共同第一作者身份在CVPR, ICML, ICLR等国际顶级会议上发表论文8篇，领导或主要贡献T-Rex，EgoScale等工作，目前谷歌学术引用1100+。
刘卓洋，北京大学元培学院本科生，导师仉尚航，目前在UC Berkeley访问，导师Trevor Darrell。主要从事具身多模态推理大模型方向的研究，曾以第一作者或共同第一作者身份在ICML, ICLR, NeurIPS, ICRA等国际顶级会议上发表论文6篇，其他参与论文共计15篇，目前谷歌学术引用400余次。曾获2026商汤奖学金，2025北京大学学术新星提名，北京大学元培学院年度科研奖励，北京大学新生奖学金等。
Trevor Darrell教授，最广为人知的成果是开发了Caffe深度学习库。这个库在深度学习领域具有重要的地位，为众多的研究人员和开发者提供了便捷的工具，极大地推动了深度学习技术的发展。Trevor Darrell现在是加州大学伯克利分校Berkeley DeepDrive研究中心的主任。同时担任伯克利EECS系计算机科学分部的教职，并受聘于加州大学附属的国际计算机科学研究所（ICSI）。研究方向涵盖大规模感知学习算法，包括物体与行为识别及检测，并应用于机器人及移动设备的多模态交互等多种场景。他的研究兴趣包括计算机视觉、机器学习、计算机图形学以及基于感知的人机交互界面。