内容摘要
作者提出 Spark-0 视觉—触觉—语言—动作模型，将触觉同时用于视觉预训练监督和动作生成。训练时，触觉手套生成的接触图与冻结三维几何教师的特征共同监督视觉表征，推理时移除相关监督模块；另一条触觉通路编码区域受力历史和三维触觉单元状态，仅向动作专家提供输入，使同一检查点支持纯视觉或带触觉部署。作者构建了 1000 小时的 HumanTouch 全手触觉人类操作数据集，并混合第一视角视频、机器人及仿真数据预训练。
评测中，SparkArena 在同一本体上分别设置纯视觉仿真与在线触觉真机轨道，另以 Ego Humanoid 测试无触觉部署。相同预训练数据和算力下，相比丢弃触觉的 Visual PT，保留 1000 小时 HumanTouch 触觉使 Ego Humanoid 平均成功率由 52.45% 升至 71.72%；真机轨道各变体均带触觉微调和部署，成功率由 44.00% 升至 52.00%。
但仿真轨道变化很小，100 小时触觉配置在两个 SparkArena 轨道均未超过 Visual PT，收益并非在所有设置下同步出现。
点评
作者实验支持将触觉作为可迁移的视觉预训练监督，而不只是部署时的额外输入；无触觉部署的 Ego Humanoid 结果是关键证据。
应按作者论文实验解读，不视为独立复现或通用能力证明。真机每策略每任务仅评测 10 次，插试管任务没有方法完整成功；接触图表达手部级接触区域，而非精确接触点。
版本与核查范围
版本 2610.22342v1 · 原文定位与程序检查、独立上下文模型复核；不代表独立研究复现。。依据已核查材料整理；未运行模型或机器人。
原文与定位
- 原文链接 page:2；page:2；page:6；page:1；page:2；page:8；page:21；page:10；page:9；page:10；page:10；page:8