针对现有多模态模型偏重视觉、在视触觉信息冲突时易误判物体物理属性的问题，戴盟机器人团队联合多所高校提出首个触觉锚定物理推理模型Touch-R1，首次将强化学习系统性引入触觉推理领域。团队同步构建大规模跨传感器触觉推理数据集TouchReason-1M与评测基准TouchReason-Bench，形成完整的触觉推理基础设施。Touch-R1采用三阶段训练流程，通过面向触觉设计的强化学习策略，实现跨传感器物理属性一致推理，并能依据触觉证据修正视觉误判。在TouchReason-Bench测试中，Touch-R1-7B的9项核心性能指标均大幅领先GPT-4o等主流多模态模型及此前触觉专用模型。该研究将触觉从辅助感知模态升级为具身基础模型的核心模态，为材料识别、精密装配、柔性物体操作等物理交互场景提供底层能力支撑，相关论文已被NeurIPS 2026接收。