国产具身智能创全球新纪录！以30%成本跑赢 Figure AI 45%效率，聪明的具身大脑成关键

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> 国产具身智能创全球新纪录！以30%成本跑赢 Figure AI 45%效率，聪明的具身大脑成关键 梦瑶 2026-08-12 21:10:55 来源： 量子位 梦瑶 发自 凹非寺 量子位 | 公众号 QbitAI 抓马！！！ 不是，谁家机器人敢在 实时直播 里这么玩啊—— 没有人工兜底，没有固定流程，甚至连包裹都是随机来的，就这样连续稳定干满1小时，分拣效率干到了 1816件/小时 ！？ 更关键的是，这一实测成绩，还超过了美国Figure AI此前公开的1248件/小时平均效率纪录，分拣效率提升超过 45% 。 这次物流分拣直播所使用的双机械臂+夹爪的硬件方案，则比Figure AI此前的人形机器人+五指灵巧手方案，硬件成本大幅下降 70% 。 直播物流分拣的准确率，则达到 98% 的行业最前沿水平。 要知道，此前Figure AI的物流分拣直播一直被视为具身智能领域的标杆案例，国产模型这波操作是真·卷麻了： 如此魔幻的一幕，就发生在刚刚结束的 自变量机器人「夹爪方案挑战1248件/小时物流分拣」公开直播实测。 不靠全身人形机器人，也没有搭载五指灵巧手，仅凭双臂+标准夹爪方案，就完成了更高的物流分拣效率。 而支撑这一表现的核心，正是其背后的具身智能「大脑」—— 依托 自研WALL-B世界统一模型 ，自变量机器人能够面对形态、大小、材质各不相同的随机包裹，实时理解环境并调整动作策略，交出了这份成绩单。 从家庭到物流，从高成本硬件部署到模型能力驱动，一条更高性价比、更适合规模化落地的具身智能路径，正在中国具身智能探索过程中加速形成。 具身模型一小时狂拣1816件异形包裹，直接碾压Figure AI！ 讲真，对于机器人demo动作演示这事儿，大家伙估计在各种厂商宣传视频里已经看过不少。 左钩拳、右踢腿，一套动作行云流水，视觉效果确实足够震撼，分分钟让人直呼哇塞。 但镜头里的高光时刻，距离机器人真正走进产业现场，中间其实还隔着一道不低的「门槛」…… 因为一段提前设计好的动作，可以通过数据采集、轨迹调优，再针对特定环境反复训练，最终呈现出稳定的效果。 可一旦进入真实物流场景，机器人面对的就完全是另一套考验， 持续运转的传送带、不断变化的包裹，以及随时出现的未知情况，非常考验其对于真实世界的感知、判断和决策能力！！ 这也是自变量机器人这次公开直播实测「夹爪方案挑战1248件/小时物流分拣」最有看头的地方～ 要验证模型到底有没有处理复杂分拣任务的本事，第一关就是把测试「工况」的难度直接拉满。 相比美国Figure AI此前直播测试中以规整度较高的标准包裹为主、抓取条件相对可控的场景，自变量机器人这次直接把真实仓储现场最棘手的变量搬到了直播间—— 没错， 传送带上的包裹完全随！机！混！合！ 纸盒、快递软袋、圆柱形快件，甚至泡沫封装的生鲜件同时出现，不同包裹在形态、重量和尺寸上都存在明显差异，这波真·地狱级难度了： 此外，在摆放位置上，所有包裹位置也没有刻意摆正，而是保持 随机姿态 ，尽可能还原真实仓库中人工投放后的状态。 这也意味着，固定点位和预设轨迹基本派不上用场……（doge） 机器人必须根据眼前不断变化的情况，实时完成识别、判断、规划和抓取，而这也成为对具身智能模型泛化能力的一次直接检验！ 难度已经拉满，接下来就看小机器人怎么接招了～ 开抓之后，画面中就出现了一个小细节，面对同一条传送带上的包裹，夹爪几乎没有重复执行同一套搬运动作。 基于WALL-B模型能力，机器人先感知到了包裹属性，并且根据当前情况匹配到了对应的作业策略。 比如 面对重量较轻、形态规整的包裹，夹爪会直接完成抓取和搬运 ，动作干脆利落，尽可能提高整体吞吐效率。 而遇到较大、较重的箱体时，机器人则会切换策略，通过双臂协同完成搬运 ；碰上夹取条件不理想的箱体，还会从侧面逐步推移，在保证效率的同时降低包裹受损风险： 这种随机应变的能力，在后续 「面单整理」 环节体现得更加明显。 比如面对 小件包裹 时，夹爪会借助惯性快速翻转，提高处理效率；遇到重量更大的包裹，则会分步骤缓慢调整，避免因受力过猛导致偏移。 面对 衣物类软包 这类容易变形的物体，夹爪还会先通过拨动、展开等动作让包裹恢复平整，再进一步寻找并校准面单位置。 看似只是简单完成一次翻面，背后实际上包含了对物体材质、重量和形变特性的判断，以及对应的动作规划与力度控制。 于是，现场呈现出来的并非一套动作的机械重复，而是一连串根据实时情况做出的临场选择—— 该快的时候快，该稳的时候稳，碰到不好处理的包裹，也知道换一种方式继续完成任务。 更重要的是，整场直播连续作业期间，全程没有人工接管，也没有出现故障停机。WALL-B就这样一边感知、一边决策、一边调整动作，连续完成了1小时无固定脚本测试。 最后，成绩定格在 1816件/小时 。 相比Figure AI此前公开的1248件/小时平均效率，自变量机器人的有效分拣效率提升超过 45% 。 一场直播看下来，不得不感叹一句，国产具身模型这波是真的卷麻了，现场变招，小机器人愣是一路稳稳接住～ 不堆高成本硬件，机器人如何突破复杂场景的效率上限？ 回看这场物流分拣实测直播，除了碾压Figure AI的1816件/小时的成绩外，我们还发现一个相当值得细品的地方。 那就是这套实测方案的硬件配置，可以说是非常之「朴素简约」。。。 双机械臂，加上标准夹爪，没有五指灵巧手，也没有继续堆叠复杂的末端结构。 但面对形态、重量和姿态不断变化的包裹，机器人依然能够见招拆招，最终还把效率推到了Figure AI公开成绩之上。 真正支撑这一切的，正是藏在小机器人背后的「大脑」—— 全球首个基于世界统一模型（WUM）架构的具身智能大模型 WALL-B 。 大家都知道，过去几年具身智能行业最主流的一条技术路线就是——VLA架构。 也就是把视觉、语言和动作连起来，让机器人从过去只会执行单一动作，进化到能看、能听、能跟着指令干活。 但VLA也有明显局限，它擅长照着做，却很难真正理解复杂物理世界，尤其面对充满随机性的环境时更是招架不住。 更麻烦的是，传统VLA内部很多时候还是「分头干活」的路子。 视觉管看，语言管理解，动作管执行，模块之间数据来回倒腾，每传一次就损耗一次，信息越传越少，以至于机器人在执行时的判断也越来越不准确…… 和传统VLA视觉负责看、语言负责理解、动作负责执行的模块化路线不同，WALL-B选择了一条更底层的融合路径： 那就是 消除不同模块之间的信息壁垒，减少数据在模块之间来回传递的损耗 。 具体来说就是从底层打通视觉、听觉、语言、触觉与动作，让机器人的感知、理解和执行在同一个网络中协同完成。 在这套架构下，机器人不只是识别眼前物体，还能够结合多模态信息完成空间推理，理解物理规律并预测环境变化，同时保留过去交互中的经验，根据真实反馈不断调整自己的动作策略。 而本次实测直播中，小机器人的一系列临场反应，恰好就是WALL-B这套综合能力的「直接