AREX Feed Article
戴盟Daimon-TWM杀入物理交互：9项认知全第一，抗扰动十倍于π0.5
8 月 10 日，戴盟机器人正式发布 Daimon-TWM（Tactile-grounded World Model），并称其为全球首个触觉锚定世界模型。，在接触密集型操作任务中，该模型无扰动条件下平均成功率 64.0%，有扰动时仍保持 53%；同等条件下，π0.5 的成功率分别为 26% 和 6%。扰动环境中的操作成功率是 π0.5 的十倍。
物理认知九项核心指标全部第一，综合得分 60.1 分，领先触觉专用模型 SToLa 12.6 分，领先 GPT-4o 24.7 分。Daimon-TWM 的做法不同：它让触觉成为物理认知、推演决策和瞬时反应全阶段的锚点，而非当作辅助信号塞进视觉模型。
李飞飞的 T-Rex 证明了触觉有用，戴盟往前推了一步
今年，触觉对机器人操作能力的重要性已成为行业共识。李飞飞署名的论文 T-Rex 证明了触觉可以在接触发生后帮助模型纠偏。但 Daimon-TWM 试图回答一个更棘手的问题：能不能在接触发生之前就预测接下来会发生什么？
两者的区别不只是技术路线的选择。T-Rex 的逻辑是「接触后反应」：碰上了，感觉到不对，再调整。Daimon-TWM 的逻辑是「预测接触、主动调整」：交互还未发生，模型已经推演出未来的动态变化，并在接触变得密集时动态调整各表征的权重，让触觉成为判断下一步动作的关键证据。
戴盟机器人首席 AI 科学家原玮浩在此前接受采访时曾总结过这个差异：「视频世界模型在预测画面，我们在预测物理交互。」
「手感」说不清，通用大模型从未真正摸过一个物体
触觉为什么迟迟没能大规模进入具身模型？核心原因是「手感」本质上是一种连续信号，难以离散化为语言标签。描述拿起一个杯子的手感，涉及软硬、摩擦、形变、滑移等多个维度，而「软」与「硬」之间不是非此即彼，是「很软」「偏软」「较硬」这种连续谱。
这也是 GPT-4o 在物理认知测试中被 Daimon-TWM 拉开 24.7 分差距的原因。戴盟在技术报告 中给出了一个典型案例：一块看起来像塑料的物体，视觉模型（GPT-4o、Gemini-2.5-Pro、Qwen2.5-VL）一致判定为塑料，但触觉数据揭示其受力形变特征与橡胶一致。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。物理属性的判断，最终必须从接触中生长出来。
戴盟创始人兼首席科学家王煜在 ICRA 2026 的 《Touch Physical AI》中，将触觉模态的核心挑战归纳为三步：Represent（捕捉和处理高密度触觉传感器信息）、Acquire（通过规模化与开源解决数据稀缺与标准化缺失）、Leverage（构建「触觉原生」模型实现真正理解）。Daimon-TWM 正是对第三步的回答。
认知层：逼模型用「摸」的证据，不准偷看答案
Daimon-TWM 的物理认知能力来自其底层模型 Touch-R1。这个基于 Qwen2.5-VL-7B 的触觉推理多模态模型，训练方式与标准监督微调有本质区别。
Touch-R1 引入了「触觉锚定 GRPO」目标：模型在回答物理属性问题时，只有当真实触觉输入确实提升了正确率（相比移除、打乱或噪声掩码触觉信号的对照组），才能获得触觉使用奖励。这种设计直接堵住了模型绕过触觉、依靠视觉或物体类别先验「猜答案」的捷径。
同时，物理属性的评估不再使用粗暴的二元对错。序数感知准确度奖励（Ordinal-Aware Accuracy Reward）让相邻级别的误判（比如把「偏软」判成「软」）受到的惩罚小于跨级误判。跨传感器物理一致性奖励则鼓励不同触觉传感器在观察同一物体时，在物理属性空间达成一致，而不要求像素级对齐。
这套机制训练出的模型，在推理时会产生结构化的感知-比较-修正链条，而非直接输出一个标签。在视觉与触觉冲突的场景中（比如视觉将橡胶判定为塑料、将带图案的光滑表面判定为粗糙纹理），模型会依据触觉证据修正视觉先验。
戴盟公布的物理认知九项指标中，Touch-R1 全部取得第一，综合得分 60.1 分。
执行层：预测下一刻的接触，而不是下一帧画面
如果说认知层让模型「懂」物理，执行层的任务是在懂的基础上「用」物理。Daimon-TWM 的执行架构来自另一篇技术报告 ，核心机制可以拆成两层。
上层是触觉思维链（T-CoT）与由粗到细的未来触觉预测。模型围绕接触阶段、接触状态和潜在失败风险进行推演，提前预测接下来会发生什么。在双齿轮装配任务中，模型预测的触觉变化曲线与实际测量值几乎完全重合。这对纯视觉模型而言近乎不可能，因为齿轮的齿牙咬合状态无法从外观完整推断。
下层是一个 100Hz 高频触觉-动作混合控制器。上一层负责理解任务、给出整体策略（慢规划），这一层根据实时触觉反馈对动作进行毫秒级修正（快纠偏）。物体刚开始滑移的瞬间，补偿动作就已经发出，新的视觉帧甚至还没生成。
戴盟的消融实验用 USB 插拔成功率验证了这套分层架构的系统性：仅用触觉的基线成功率 30%，逐步叠加 T-CoT（+8%）、粗粒度预测（+7%）、细粒度预测（+5%）、触觉-动作控制器（+12%），最终达到 62%。去掉任何一环，成功率都会下滑。
440 万次下载的数据集，和一个「师门」的触觉赌注
Daimon-TWM 的能力不只是模型架构的产物。它训练所用的 数据集，覆盖上万种物体、跨材质的千万级物理交互数据。据戴盟披露，该数据集目前在阿里魔搭社区获得超过 440 万次下载，位列该社区物理世界数据集第一名。今年 4 月，，戴盟联合 Google DeepMind、中国移动、新加坡国立大学、北京大学、清华大学等全球数十家机构共同发布了 Daimon-Infinity 数据集，其中首批 10000 小时数据在阿里魔搭社区开源。
这套数据基建扎根于戴盟的学术基因。创始人兼首席科学家王煜，是「全球机器人灵巧操作之父」卡内基梅隆大学教授 Matthew Mason 的首位博士生，在斯坦福大学发布的「终身科学影响力排行榜」中位列全球前 1%。联合创始人兼 CEO 段江哗是王煜的学生，从十年前就开始深耕机器人操作研究。今年 6 月加入的首席 AI 科学家原玮浩，此前任职于阿里通义实验室，拥有多模态大模型迁移至机器人物理操作的前沿经验。
今年 6 月，戴盟完成亿元 A 轮融资，由汇川产投和中国电信联合投资。融资到账后重点投向物理世界模型研发、含物理交互信息的超大规模数据集和真实场景下的数据飞轮。原玮浩当时的说法是：「数据是燃料，物理世界模型是引擎，飞轮决定引擎能不能持续跑起来。」
回到 Matthew Mason 写在个人主页上的那句话：「The dexterity of a hand is mostly about the brain, not the hand.」Daimon-TWM 试图证明的，正是这个「脑」的核心不在视觉，不在语言，而在每一次真实的触碰中生长出来的物理常识。当 π0.5 在扰动环境中成功率骤降到 6% 时，Daimon-TWM 守住了 53%——这 47 个百分点的差距，大致就是「看见再行动」与「预测接触、边做边恢复」之间的距离。