国产具身智能新纪录：自变量机器人1小时分拣1816件，超越Figure AI、效率提升45%

事件概述

自变量机器人完成一场物流分拣公开直播实测：在无人工接管、包裹随机混合且姿态随机的情况下，连续运行1小时，分拣效率达到1816件/小时，分拣准确率98%。

对比美国Figure AI此前公开的1248件/小时平均效率纪录，本次效率提升超过45%。而实测采用的硬件方案仅为双机械臂+标准夹爪，相比Figure AI的人形机器人+五指灵巧手方案，硬件成本降低约70%。

核心信息：WALL-B世界统一模型

支撑这一表现的核心是自变量自研的具身智能大模型WALL-B，其基于世界统一模型（WUM）架构，与传统VLA（视觉-语言-动作）模块化路线不同。WALL-B从底层打通视觉、听觉、语言、触觉与动作，让感知、理解和执行在同一网络中协同完成，减少模块间数据传递损耗。

直播中，传送带上的包裹完全随机混合，包括纸盒、软袋、圆柱件、泡沫生鲜件等，且姿态不规整。WALL-B实时识别物体属性并匹配策略：

• 轻小、规整包裹直接抓取搬运，保证吞吐效率；
• 大而重的箱体切换双臂协同搬运；
• 夹取条件不佳时从侧面推移，降低受损风险；
• 面单整理时，对易变形软包先拨动展开再校准位置。

此外，模型具备零样本泛化能力，能对未见过的异形件调用已有物理认知组合新策略；也能理解物理规律并预测动作结果，例如遇到重叠包裹时先分离再逐个分拣。整场直播没有脚本、没有人工接管，也未出现故障停机。

值得关注

本次成绩并非依靠更复杂、更昂贵的硬件堆叠，而是由模型承担环境理解、任务规划与动作决策，表明更高性价比、更适合规模化落地的具身智能路径正在形成。

自变量机器人是国内较早采用端到端路线研发通用具身智能大模型的公司之一，此前已让WALL-B在真实家庭环境中持续学习和迭代，此次跨越到工业物流场景，也验证了同一套模型能力跨场景泛化的可行性。