在 2026 世界机器人大会（WRC）期间，展馆内机器人展台的新奇动作固然吸睛，但一旦落地至工厂、商场或家庭，核心诉求便回归到执行的效率、稳定性及低人工介入率。
千寻智能在本次大会上的策略尤为独特：未追求全新演示场景，而是将一个月前在世界人工智能大会（WAIC）上展示的“整理客厅”任务再次呈现。这并非简单的重复，而是一次具身系统的快速进化验证。
尽管间隔不足 30 天，该 Demo 在关键指标上实现了显著跃迁：
- 可乐放入冰箱的自主推理成功率从约 80% 提升至 99% 以上；
- 碗放入洗碗机的成功率从约 90% 提升至 99% 以上；
- 导航目标确认耗时降低近 50%。
此外，捡垃圾任务在颜色、种类、位置等多重泛化条件下的执行成功率高达 85%。这些进步发生在“整理客厅”这一长程复合任务的各个环节中。同款 Demo 的两次亮相，实则是具身系统全栈能力进化的两张“快照”：水面之上是任务完成度的提升，水面之下则是数据、训练、Agent、导航、硬件及基础设施的协同突破。
30 天实现可量化跃迁：重新定义“时间密度”
千寻智能此次提出了具身智能领域的学术新概念——“时间密度”。它衡量的并非单次演示的峰值表现，而是一套系统在多短时间内吸收问题、完成训练验证并将改进部署至真机的速度。
长程任务与固定工位任务存在本质差异。单步任务失败仅影响当前动作，而长程任务中的微小偏差会引发连锁反应，导致后续步骤状态错误。完成“整理客厅”需机器人理解模糊指令、环视环境、规划步骤、跨空间移动、精准操作并实时自检。物体姿态变化、站位偏移或背景干扰均可能导致任务失控。
WRC 现场的高动态环境（观众穿行、遮挡、物品移位）成为了天然的难度测试仪。机器人需在不断变化的环境中持续避障、重规划路径并衔接操作。这种现场表现的稳定性无法单靠模型调参实现，唯有构建“识别 - 回传 - 复现 - 训练 - 再部署”的数据闭环，方能支撑 30 天内的快速迭代。
水面之下的全栈体系：构建长程任务执行力
“整理客厅”指令的执行，实质是对千寻智能全栈技术体系的拆解。该过程要求系统将宏观目标拆解为一系列子问题：环境感知、任务排序、导航定位、动作生成及异常处理。
核心流程包括：感知系统建立环境信息；Agent 保存上下文并拆解子任务；导航系统送达操作位姿；Spirit v1.6 基座模型结合语言、视觉和本体状态生成动作；最后通过数据回流撰写复盘报告以优化未来表现。
一次完整任务背后，是感知、数据、模型、Agent、导航、本体和基础设施的深度协作。
△ 千寻智能技术架构
数据管线：高质量燃料与“脏数据”理念
系统进化的核心在于明确失败原因。千寻智能的数据平台汇集了 Web 视频、第一视角、uDAS、遥操作及真机任务数据，覆盖清洗、标注、质检至结果追踪的全流程。其自研第 7 代数据采集设备将成本降至传统方式的 1/10，数据可用性提升至 95%，依托全国超 30 万个采集点位源源不断输送数据。
△ 千寻智能可穿戴数采设备同时在全国多地进行数据采集
千寻独创“脏数据”训练理念和数据金字塔体系。现实世界充满光照变化、物品移位及人员干扰，若仅使用规整的标准场景训练，机器人难以应对真实环境的复杂性。通过将真实世界的杂乱变化纳入模型泛化训练，并结合后训练机制，使模型学会忽略无关变量（如墙面、灯光），而对关键变量（如物体位置、站位）保持高度敏感。
△ 千寻智能数据金字塔
模型底座：Spirit v1.6 与世界模型融合
Spirit v1.6 基座模型采用 VLA（视觉 - 语言 - 动作）与世界模型深度一体化架构。不同于传统的“感知 - 规划 - 控制”分步模式，该模型实现了边感知、边决策、边调整的端到端响应。在 RoboArena 国际评测中，该模型曾登顶全球第一，超越英伟达 DreamZero 等竞品，成为首个获此殊荣的中国具身模型。
Agent 决策：长程记忆与状态管理
为防止机器人在长程任务中出现“金鱼记忆”，Agent 层承担了任务状态管理的职责。它不仅记录总目标和进度，还能根据现场状态动态调整策略（重试、跳过或重规划）。在 WAIC 期间，面对周鸿祎一行造成的高动态、多遮挡环境，Agent 成功指挥机器人完成穿梭避障与连续操作，确保任务未中断。
导航与操作协同：重新定义“到达”
团队重新定义了导航的“到达”标准：不仅是抵达坐标点，更是抵达后续动作可执行的“可操作位姿”。早期调试中，机器人虽到达洗碗机前但因站位不佳导致操作失败。优化后，导航系统直接规划至适合开门、拉架及放碗的位置。同时，通过算法与工程链路协同，导航启动耗时中位数降低了近 50%。
硬件与基础设施：设计质量前置
针对长程任务中可能出现的硬件故障，团队将策略从“事后维修”转变为“设计质量前置”，在图纸阶段拦截隐患，并固化评审与核查流程。Moz1 机器人搭载 26 自由度自研一体化力控关节，配合高效的设备管理与推理部署平台，大幅缩短了训练到真机部署的周期，加速 Bad Case 的迭代修复。
超越 100% 成功率：从 Demo 走向工业落地
凭借强大的跨场景泛化能力，千寻智能在 WRC 新场景中实现了零样本迁移，多项核心任务实地测试成功率达 100%。然而，团队并未止步于此，而是主动通过改变起始位置、物体姿态及背景进行压力测试，以验证系统的稳定边界。
针对展会现场网络不稳定及云端推理延迟问题，团队通过删减冗余逻辑、并行执行视觉判定及重叠推理计算时间等针对性优化，有效缓解了长尾延迟影响。这种极端环境下的压力测试，正是工业场景稳定落地的预演。
目前，该系统能力已开始向真实工业场景外溢。Moz1 已进入宁德时代动力电池 PACK 产线，承担高压测试插头插接等非标工序，作业成功率稳定在 99% 以上，效率达熟练工人的 3 倍，并与京东、博世、舍弗勒等企业展开合作。Moz2 则探索商超、酒旅等公域服务场景，支持自然语音交互及拟人化互动。
千寻智能的实践表明，具身智能的终局并非制造一台无所不能的机器人，而是构建一套能自我生长的技术系统。“时间密度”作为新的评估标尺，衡量的是技术体系处理真实失败的速度：谁能更快地将问题转化为改进并反馈至机器人，谁的进化边界就将扩展得更快。