物流现场不缺「演示动作」，缺的是传送带不停、包裹随机、无人接管时还能把吞吐写进可核对数字——自变量把这场考试搬进了公开直播。
自变量机器人是国内较早走端到端通用具身智能大模型路线的公司之一，产品叙事围绕「具身大脑」而非单纯堆人形硬件。赛道对手并不抽象：海外有Figure AI等以人形加灵巧手做物流分拣标杆演示的玩家；国内则在家庭服务与工业搬运两条线上同时试错。所谓具身智能，白话就是让模型不仅会看图说话，还能在物理世界里感知、决策并持续动作。
公司披露：此次公开直播采用双机械臂加工业标准夹爪方案，连续作业约1小时，全程无人工兜底、无固定脚本。传送带上的包裹被描述为完全随机混合——纸盒、快递软袋、圆柱形快件，乃至泡沫封装的生鲜件同时出现，形态、重量与尺寸差异明显，摆放姿态也未刻意摆正，以尽量还原仓储现场人工投放后的状态。公开成绩定格在有效分拣效率约1816件/小时、准确率约98%；并对照美国Figure AI此前公开约1248件/小时的平均效率叙事，称效率提升超过约45%，硬件成本相对人形加五指灵巧手路径大幅下降。
现场策略上可观察的临场切换（公司口径）：
支撑叙事的核心是自研WALL-B——公司称其为基于世界统一模型（WUM）架构的具身大模型。所谓世界统一模型，白话不是再叠一层「视觉模块+语言模块+动作模块」的拼盘，而是尽量打通多模态与动作，减少模块间来回倒腾造成的信息损耗。相对传统VLA（视觉—语言—动作）「照着做」的强项，WALL-B叙事强调理解物理规律、预测环境变化，并在未见过的纸箱、软袋或异形件上做零样本式策略组合。家庭场景里积累的泛化经验，被公司写成工业物流可迁移的能力底座。
把这场直播放进具身落地坐标：过去几年行业习惯用更复杂的本体与末端执行器换自由度；一旦模型能承担更多环境理解与动作规划，硬件就可以回到「够用、好维护、能嵌进现有工位」的朴素方案。对仓储采购方，真正要验收的不是直播峰值，而是故障率、换班衔接与改造成本。
需要把边界读清楚。吞吐、准确率与成本对比均为厂商公开实测与对照口径，工况、包裹分布与统计方式与第三方复现仍可能不同，不宜直接外推为普遍产线SLA。下一观察点是该方案能否嵌入既有分拣工位，并形成可复制的部署周期与故障率曲线——少人形不难，难的是产线夜里也稳。