在刚刚结束的自变量机器人公开直播实测中，一场无人工兜底、无固定流程的物流分拣挑战引发行业关注。面对随机到来的异形包裹，双机械臂搭配标准夹爪的方案连续稳定作业 1 小时，最终创下1816 件/小时的分拣效率。
这一成绩不仅超越了美国 Figure AI 此前公开的 1248 件/小时纪录，效率提升超45%，且准确率达到98%的行业前沿水平。更值得注意的是，该方案硬件成本较 Figure AI 的人形机器人加五指灵巧手方案大幅下降70%。
支撑这一表现的核心，是自变量自研的具身智能「大脑」——WALL-B 世界统一模型。该模型使机器人能够实时理解环境并动态调整策略，标志着中国具身智能在低成本、规模化落地路径上取得重要突破。
实测碾压 Figure AI：1816 件/小时的高效分拣
不同于厂商宣传视频中预设轨迹的演示动作，真实物流场景对机器人的感知、判断和决策能力提出了极高要求。此次自变量机器人的直播实测，直接将测试难度拉满：
- 包裹完全随机混合：纸盒、快递软袋、圆柱形快件及泡沫封装生鲜件同时出现，形态、重量和尺寸差异巨大。
- 姿态随机摆放：还原真实仓库人工投放状态，无刻意摆正，固定点位和预设轨迹失效。
面对地狱级难度的工况，基于 WALL-B 模型的机器人展现了卓越的泛化能力。它不再机械重复单一动作，而是根据包裹属性实时匹配作业策略：
- 轻量规整包裹：夹爪直接抓取搬运，最大化吞吐效率。
- 大型重载箱体：切换为双臂协同搬运；若夹取条件不佳，则通过侧面推移降低受损风险。
- 面单整理环节：针对小件利用惯性快速翻转；针对重物分步缓慢调整；针对衣物类软包，先拨动展开恢复平整再校准面单。
整场直播全程无人工接管，无故障停机。机器人一边感知、一边决策、一边调整，最终定格在 1816 件/小时的成绩，有效分拣效率较 Figure AI 提升超 45%。
摒弃硬件堆叠：WALL-B 模型重构效率上限
此次实测的另一大亮点在于其「朴素」的硬件配置：双机械臂加标准夹爪，未采用高成本的人形本体或五指灵巧手。能在复杂场景中实现高效率，核心在于其背后的WALL-B 世界统一模型。
传统具身智能多采用 VLA（视觉 - 语言 - 动作）架构，模块间数据传递存在损耗，难以真正理解复杂物理世界。WALL-B 则选择了更底层的融合路径：
原生多模态融合
WALL-B 从底层打通视觉、听觉、语言、触觉与动作，消除信息壁垒。机器人不仅能识别物体，还能结合多模态信息进行空间推理，理解物理规律并预测环境变化。
物理规律理解与零样本泛化
凭借对物理规律的深刻理解，机器人能提前预测动作结果。例如遇到包裹叠放遮挡时，它能自主判断并调整为先分离再分拣的策略。同时，基于「零样本泛化」能力，即使面对未见过的异形件，也能调用已有经验临场组合出新策略。
这种由强模型驱动的路径，使得机器人无需依赖昂贵复杂的硬件堆叠。双机械臂搭配工业标准夹爪的方案，不仅省去了精密关节校准等额外成本，更能直接适配现有物流工位，实现快速部署。
从家庭到工业：中国具身智能的通用路线
自变量机器人之所以能在高难度实测中脱颖而出，得益于其长期在真实世界中的能力积累。作为国内较早采用端到端路线研发通用具身智能大模型的企业，自变量已将 WALL-B 应用于真实家庭环境。
家庭场景物品位置多变、材质形态难穷举，是训练机器人泛化能力的最佳试炼场。这些在家庭中积累的经验，沉淀为机器人理解复杂世界的底座，并成功延伸至工业物流等高要求场景。
从家庭服务到物流分拣，同一套模型能力跨越了差异巨大的应用环境。这表明通用具身智能大模型正摆脱单一任务优化的局限，走向跨场景泛化。随着预训练具身模型的持续演进，未来机器人将依靠不断增强的模型能力，自主理解新环境、学习新任务，探索出一条由模型驱动、适合规模化落地的中国具身智能发展路径。