七篇论文都在回答同一个问题：力和触觉怎样进入机器人基础模型。按时间排开，力/触觉在模型里的角色一路加重：从 VLA 的输入条件，到要输出的目标力，到块内高频的修正通道，再到要预测的潜变量和要生成的未来观测。最新的几篇开始把“预测未来触觉”和“读当前触觉”两件事同时做。每篇有一个单独的精读页，下面是索引和横向对照。
按 arXiv 首版时间排序，窄屏下可左右滑动。归类是我们读完七篇后的归纳，不是论文自己的说法。
每篇给出做法、主要结果和最大的疑点。数字取自各论文 arXiv 源码里的 tex 表格。
Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation
Unlocking Vision-Language-Action Model's Physical Knowledge for Tactile Generalization
Tactile-Reactive Dexterous Manipulation
Scaling Vision–Tactile–Language–Action Model with Latent Tactile Tokens
Scaling Tactile-Native World Action Model for Contact-Rich Manipulation
A Self-Evolving General World Model for Dexterous Manipulation
Bringing Heterogeneous Tactile Sensing into World Action Modeling
表格可左右滑动。细节以各篇精读页为准。
| ForceVLA | Tactile-VLA | T-Rex | N₀-VTLA | N₀-TWAM | Motus2 | ME-Dex 1.0 | |
|---|---|---|---|---|---|---|---|
| 骨干 | π0（VLA） | π0（Gemma 2.6B + 300M 动作专家；动作专家随机初始化） | Qwen3-VL-2B 三专家 MoT（latent / 动作 / 触觉，触觉专家 0.62B） | π0.5（PaliGemma），加潜在触觉预测器 | LingBot-VA 改出的三专家 MoT，3072 / 1024 / 1024 宽，共 7.16B | 视频-动作因果 DiT，Wan2.2-5B 初始化，一套权重三接口 | WAM：Wan2.2-5B 结构的视频专家 + 动作专家（均从 Motus 初始化）+ 触觉专家 |
| 力/触觉信号 | 6 维末端力/力矩，每次只读一帧 | UMI 夹爪双指尖触觉（法向 + 剪切），取最近 H 步 | Sharpa Wave 灵巧手 10 指：6 轴力 16 帧历史 + 当前力 + 形变深度图 | 自研视觉式触觉，当前帧减回合起始帧的差分图 | 视觉式触觉（真机 InTac S1）；预测用 Wan VAE 潜变量，观测用三轴力图 | 灵巧手力信号：Wuji Hand 2 为 1086 维；Sharpa Wave 为 60 维力/力矩 + 指腹形变图 | 多源异构触觉阵列（夹爪与灵巧手），统一到规范手 |
| 接入位置 | VLM 之后、动作专家之前（FVLMoE） | VLM 输入前缀（1 个 token） | 触觉专家读主干 KV，只做去噪最后一段（τ 0.4 → 0） | 预测器输出 z，拼在动作后缀前；不进前缀 | 触觉专家每层共享注意力 + 动作头前的力空间交叉注意力 | 旁路触觉专家读主干 KV，只做每块去噪的最后一段（σ 0.2 → 0） | 独立触觉专家，中间层与视频、动作共享注意力 |
| 预测未来力/触觉 | 否 | 否（输出的是目标力） | 否 | 训练时Stage 1 预测 50 步内触觉净变化的潜变量，之后撤掉目标 | 是未来触觉（残差）与未来视频一起生成，推理时也生成 | 训练时预测子块之后的力窗口，只作辅助目标，部署不用 | 是推理时也和视频、动作联合生成 |
| 触觉起作用的频率 | 每生成一个动作块读一次 | 混合控制器按力误差调整执行 | 块内每 4 个控制步一次（示意频率约 20 Hz，未实测） | 每个 50 步动作块一次 | 块级预测；观测通路称按传感器频率刷新（未给数字） | 块内每 0.2 s 一次（48 步动作块切成 8 个子块） | 动作块之间（新观测 + 重新规划） |
| 数据 | 自采 ForceVLA-Data，5 个接触任务 | 带触觉的 UMI 手持采集，3 类任务共 800 条 | 22,889 小时人类视频预训练 + 100 小时触觉遥操作中训练（207 物体 × 22 原语） | NeoData 多平台视触觉数据（规模见配套报告） | NeoData 超 3 万小时、6 种本体、450 任务 | 人类第一视角数据（单目 → 双目）预训练 → 机器人域；触觉只在后训练出现 | 仿真回放补录（RoboTwin、DexJoCo）+ ManiFeel + 真机 |
| 评测 | 真机 5 任务 + 5 种泛化设置 | 真机：力度指令、按物体常识调力、自适应推理 | 双臂灵巧手真机 12 任务，每任务 16 次，细则给部分分 | NeoReal 9 任务 + UniVTAC 8 + NeoSim 12；ALTER 3 个长时程任务 | UniVTAC 8 + NeoSim 12（各 100 次）+ 真机 8 任务（各 20 次） | 仿生双臂双灵巧手真机，每格 20 次 | RoboTwin、DexJoCo、ManiFeel 仿真 + 真机定性 |