一小时分拣1816件随机包裹 ，准确率超过98%。这是自变量机器人在2026年8月12日物流分拣直播后公布的成绩 。公司以海外具身智能企业此前公开展示的1248件/小时为参照 ，宣传效率提升约45%，随后遭遇关于测试时长 、硬件形态与统计口径的质疑 。
这场实测发生前，自变量机器人已宣布连续完成B轮至C轮合计四轮融资 ，估值突破200亿元。从具身模型研发到物流 、家庭等应用 ，公司正在推进技术落地。
天使投资人、资深人工智能专家郭涛在接受《中国经营报》记者采访时表示，评价具身智能机器人 ，应把重心放在长期工况稳定性 ，并通过可量化的经营指标检验模型能力能否转化为持续收入 。
围绕测试口径、模型落地和商业化进展等问题，记者致电并致函自变量机器人 。截至发稿 ，相关负责人未就采访函中的问题作出回复。
分拣效率如何经受长期检验
按照公司公布的资料 ，此次直播采用的是双机械臂搭配夹爪的方案，由自研世界统一模型WALL-B驱动 ，在无人工干预的情况下 ，对大小 、形状 、材质及重量随机的物流包裹进行连续分拣 。
公司同时公布了一组成本比较：据内部估算，这套物流分拣系统的成本约为所对比海外方案的30% 。与采用人形本体、五指灵巧手的方案相比 ，自变量机器人选取 了双机械臂和夹爪。约70%的成本降幅 ，是企业对不同硬件方案的内部估算 。
围绕这一对比，抖音博主“机器人大侦探 ”提出疑问 。据凤凰网科技《风眼观察》转述，该博主认为 ，Figure AI的1248件/小时来自200小时直播 、多台机器人轮换作业的平均成绩 ，而自变量机器人展示的是一小时实测结果；两者还存在全尺寸人形机器人与固定工位双机械臂方案的差异。
自变量机器人公开资料对任务过程作了说明：机器人抓取包裹后，还需调整面单位置 ，以便后续设备识别 。面对较重箱体 ，系统采用侧面推移或双臂协作；遇到蜷曲的柔性软包，则先总结 包裹 ，再调整面单朝向 。公司将这些操作归因于模型对物体属性和动作结果的判断。
对于不同方案如何比较 ，郭涛指出，测试时长 、机型形态和统计口径不一致 ，会直接影响效率与稳定性指标的横向可比性 。他认为 ，行业需要区分理想环境与真实工况，明确测试时长下限 ，并统一故障判定及作业成功率的计算方式 ，避免把不同条件下的结果直接放在一起比较 。
在郭涛看来，短期演示数据与长期连续作业数据应分别披露。机器人在什么环境中工作，出现异常后如何兜底 ，都需要与效率数字一同呈现。对于长期运行 ，他建议通过中立第三方机构开展常态化抽检，持续跟踪故障和维修情况 ，并把停机损失纳入评价 。
成本比较同样需要明确范围 。屿策智库秘书长、红山开源专家侯文杰在接受记者采访时表示 ，机器人测试除了披露运行条件外，还应说明成功率的计算方式和人工干预比例。成本核算则需要纳入能耗 、维护及折旧 ，不能只看单次作业的效率表现 。
“只有把稳定性 、作业效率和综合成本放在同一口径下比较 ，才能客观评价机器人能力 。 ”侯文杰表示。
福建华策品牌定位询问 创始人詹军豪把评价进一步延伸到客户使用过程 。他认为，测试需要呈现边界工况和失败案例 ，技术指标则应对应到实际经营 。客户是否复购、设备运行后的运维投入和故障停机情况 ，都应纳入观察，而不能停留在演示阶段。
通用模型面对收入验证
自变量机器人官方网站 介绍 ，公司成立于2023年12月 ，聚焦端到端具身基础模型，并自主研发机器人本体 。2026年4月，公司发布基于世界统一模型架构的WALL-B ，将视觉 、语言 、动作和物理预测等能力整合到统一模型中 。
公司官方网站 将具身大模型的通用性与泛化能力列为技术重点 ，强调单一模型适配不同任务。其应用方向已延伸到家庭服务和物流，并围绕模型所需的数据采集、软硬件开展自研 。
家庭服务是公司已经尝试的落地场景 。今年3月 ，自变量机器人与58到家合作推出机器人上门保洁服务 ，由机器人与保洁员协同作业。此前公布的服务费用 为149元/3小时。然而根据《每天 经济新闻》报道，围绕这一服务 ，有用户反馈机器人作业速度慢 、噪音大 。
自变量机器人合伙人兼算法负责人甘如饴此前接受《每天 经济新闻》记者采访时表示 ，速度和噪音反映出技术仍有提升空间，也验证了家庭场景的复杂性 。他提出 ，真实服务可以帮助公司了解用户需求 、评价方式和机器人能力边界 ，并据此改进长程规划、动作效率及异常恢复能力。
在上述采访中，甘如饴还谈到训练数据的质量 。他认为 ，扩大数据规模并不必然带来模型突破 ，数据覆盖的环境和任务、动作与视觉和语言的对齐情况，以及是否包含失败和意外，都影响模型训练 。
对跨场景落地的经营难点 ，郭涛给出的判断是 ，场景碎片化会带来较高的定制成本。模型在一个场景完成演示后，进入新场景还需要采集多少数据 、投入多少现场调试人力 ，应纳入商业化评价 。部署周期和单场景新增成本 ，是他建议持续跟踪的指标 。
郭涛建议，企业在基础模型中沉淀通用感知和动作能力 ，减少新场景从零采集数据的工作量。对于场景特有的约束 ，可以通过模块化微调进行适配，并控制微调所需的数据量 ，降低驻场调参的人力投入 。
交付流程也需要与模型能力一同调整 。他认为 ，可将通用能力固化为可复用的任务组件，配合标准化软硬件接口 ，压缩现场部署周期。在此基础上 ，把一次性的项目交付转向标准化产品和持续服务，降低每增加一个场景所需的投入 。
在数据获取方面，自变量机器人此前介绍 ，其自研无本体数采方案与数据合成模型配合 ，可将训练模型所需的数据成本降低95% 。甘如饴在上述采访中将数据采集之后的数据管线视为基础设施，认为它会影响模型持续进步的速度。
对于数据投入如何对应到交付 ，詹军豪建议 ，企业通过复用跨场景基础模型及轻量化微调，减少定制化采集和驻场调试 ，并采用标准化部署方案 ，降低交付的边际成本。
侯文杰则把技术落地与收入形成联系起来 。他认为，跨场景迁移成功率需要与交付周期 、毛利率及现金回收周期结合观察；企业可以建设通用数据底座和仿真训练体系 ，减少重复采集 ，并尝试通过订阅、运维服务或按效果付费，形成可复制的收入模式 。
融资方面 ，根据《中国证券报》报道 ，6月30日自变量机器人宣布连续完成B轮 、B+轮 、B++轮和C轮合计四轮融资，全部交割完毕，投后估值突破200亿元。这四轮融资吸引了超过30家投资方参与 ，涵盖财务投资机构、科技大厂 、产业资本及国家与地方基金 。对于投资逻辑 ，自变量机器人创始人兼CEO王潜此前在《每天 经济新闻》刊发的报道中，将其概括为“投技术上的领先性” 。
资本化进程也受到关注。《世界 金融报》9月10日报道 ，针对媒体所称自变量机器人已秘密递表港交所的消息 ，该报记者向公司求证，自变量机器人表示并不知情 。
对于技术投入与资本化节奏 ，郭涛认为 ，应区分研发阶段与商业化落地阶段，不能直接套用互联网企业早期的估值逻辑 。企业需要积累可复制案例和连续经营数据 ，投资机构则应结合客户真实付费意愿及单台设备的投入产出 ，跟踪技术投入能否转化为经营成果。
他建议，投资评价应降低单纯技术叙事的权重 ，把现金流和商业化进展纳入持续跟踪 。对于行业信息披露 ，郭涛主张进一步说明技术落地边界和研发投入的转化效率，使创新投入与经营表现能够被分别观察 。
詹军豪认为，估值评价不宜仅以融资规模和技术概念为依据 ，企业应优先夯实交付数据 ，投资机构则需要加强对持续经营和现金流的考察。
侯文杰建议，将订单质量和客户集中度纳入估值评价 ，企业则应优先证明持续经营能力 。他表示：“上市节奏应匹配收入质量 、现金流和治理水平 。”
（文章来源：中国经营网）
