双臂夹爪机器人直播一小时分拣1816件，公开信息称成本降70%

传送带不停地向前送包裹：纸箱、软袋、圆柱形快件和泡沫封装的生鲜件，大小、重量、材质和朝向都没有统一规则。据这场公开直播演示，自变量的双臂机器人只装着工业中常见的标准夹爪，却在连续一小时直播中完成了1816件有效分拣。按短时吞吐量计算，这一成绩比Figure 03此前连续运行200小时留下的1248件/小时标杆高出45%。

两家公司采用了不同的硬件配置。Figure 03保留完整人形身体和五指灵巧手；自变量则去掉分拣场景用不到的腿和手指，把任务交给两条机械臂和夹爪完成。公开信息称，自变量方案的成本下降70%，分拣准确率超过98%。它不靠固定程序处理每一种包裹，而是先识别大小、形状、材质和姿态，再决定抓取力度与移动路径。

这套判断由WALL-B完成。自变量于2026年4月发布这一具身智能大模型，并采用WUM架构，也就是把视觉、语言、动作以及对物理变化的预测放进同一个网络联合训练。面对轻薄快递袋，机器人可以用一只夹爪快速抓取；遇到大纸箱，则改用双臂托举或从侧面推动。需要翻转面单时，轻件借助惯性快速改变姿态，重箱分步调整，容易变形的软包则先拨开、摊平，再校准方向。

这条路线并不意味着硬件不再重要。夹爪开口、摩擦力、机械臂负载、摄像头位置和力控精度，仍然决定机器人能处理哪些物体。WALL-B改变的是硬件的使用方式：原本只能执行单一动作的夹爪，可以根据包裹状态组合出夹、推、拨、摊和双臂托举等策略。自变量也曾在2025年发布单手20个自由度的五指灵巧手，这次使用标准夹爪，更多是因为仓库工位不需要为行走、平衡和十根手指付费。

具体来说，企业比较的是两种面向不同工位的机器人配置。如果模型能力能够从家庭场景复用到仓库，再从一个工位复制到更多工位，部署工作就可能更多集中在机械适配和流程调整，而不是每条产线重新采集数据、设计动作和长期调试。当前演示已经展示了吞吐量、准确率和成本方向，但要进入规模采购，还必须继续验证运行稳定性、维护费用和回本周期。