恒牛网 WRC展会拿旧Demo炒冷饭？扒一扒千寻藏在水下的全栈底牌
WRC 期间，整个展馆里的机器人展台上最抓人眼球的当属各种新奇动作。
跳个舞、握个手，或者解锁个没见过的复杂任务，够直观也够新奇，就足够让观众举起手机了。
可一旦把机器人真正落地到工厂、商场或是普通家庭，现实问题就回归到最实在的层面。真实场景更在乎的是机器人下一次能不能做得更快、更稳，同时尽量少靠人来介入辅助。
正因如此，千寻智能在 2026 世界机器人大会上的做法显得有些特别。
他们没有急于推出更新鲜的演示场景，而是让 Moz1 把一个多月前在 WAIC 上做过的"整理客厅"搬到 WRC 重映。
emmmm ……炒冷饭？
于是我们在展馆里抓了个千寻员工问，真就纯展示同一个 Demo 啊？一点新鲜变化都没有吗？
人家笑着跟我说，你别乍一看啊！虽然不到 30 天，但这套 Demo 超有进步的：
可乐放入冰箱的自主推理成功率由约 80% 提升至 99% 以上；
碗放入洗碗机由约 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、位置等方面的泛化条件下，执行成功率高达 85%。
这些变化都发生在"整理客厅"这套长程复合任务的不同环节里（不是一次抓取或固定工位动作）。
所以，同款 Demo 的两次亮相，其实是一套具身系统的两张"进化快照"。
乍一看，做的还是老行当，但其实这里蕴藏着一座冰山——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、硬件和基础设施共同构成的全栈能力的进步。
30 天的快速进化究竟是如何发生的？
我们需要潜入水面之下。
30 天，Demo 出现可量化跃迁
要理解这 30 天的变化，离不开一个叫"时间密度"的词。
这是千寻智能首次在具身智能领域提出的学术概念。所谓"时间密度"，看的就是一套系统能在多短时间里吸收问题、完成训练和验证，再把改进送回真机。
它衡量的不是某次演示的峰值表现，而是系统进化的速度。
真要说起来，30 天前千寻的成功率就已经不低了：WAIC 阶段，可乐进冰箱接近 80%，碗进洗碗机接近 90%。
很好看的成绩。如果只是为了做一个展会 Demo，这个水平已经能支撑起不错的现场效果。
但长任务里的 90%，和一个固定工位上的 90%，难度完全不在一个水平线上。
单步任务失败一次，通常只是这一动作没做成；长程任务里，一个小偏差会改变下一步面对的状态，错误还能继续往后滚。
而机器人完成"整理客厅"这种生活中的系列动作，其实环节繁复。
它得听懂模糊指令，先环视环境，判断哪些东西需要归位，再记住尚未完成的步骤。随后跨空间移动、抓取物品、开门、放置、关门，还要在过程里不断确认自己有没有做对。
而且在长程任务中，物体姿态变化、机器人站位偏移、背景干扰，甚至是开门角度不足，都可能让后续动作失去节奏。
所以，Demo 跑出高成功率只是算故事的开场，不能说明在这个任务上已经万无一失了。
我们把视线拉到 WRC 现场。
冰箱、洗碗机、捡垃圾、收纳玩偶四组任务，也分别暴露出长程任务里不同的问题：连续操作能不能稳定衔接，站位和物体状态变化后能不能继续完成，以及环境变化之后还能不能认准目标。
再多看几轮演示，展会现场其实是不断加难度的。
观众穿行、遮挡和物品位置变化都会临时打乱路线，机器人还得继续避障、重新接近目标，再把导航和后续操作接上。
肉眼可见，展会现场本来就挺会制造麻烦。
但对具身机器人来说，这些麻烦恰好有价值～
（偷着乐吧所有的展商朋友们！！）
BTW，这种现场表现的稳定性，很难单靠某一个模型调参来实现。
只有当每一次失败都能被系统识别、回传、复现、训练和再部署，形成数据闭环，才能支撑起 30 天内的快速迭代。
水面之下的全栈冰山：如何让一条长任务跑起来
拆解"整理客厅"的完整执行过程，其实就是拆解千寻智能的全栈技术体系。
对于机器人来说，"整理客厅"这句指令必须要拆解成一连串问题：
房间里有什么？哪些东西需要整理？应该先做什么后做什么？机器人应该走到哪里才能完成操作？如果中途失败，下一步应该怎么办？
用户发出"整理客厅"的目标后，感知系统先扫视全局建立环境信息；Agent 保存上下文记住长期目标，并把大任务拆成"先收可乐、再洗碗"之类的子任务；导航系统把机器人送到适合操作的位置；基座模型 Spirit v1.6 根据语言、视觉和本体状态生成动作。
干完活，它还要写一份复盘报告（数据回流），以便下次干得更好。
可以看到，一次完整任务背后，是感知、数据、模型、Agent、导航、本体和基础设施共同协作。
千寻智能技术架构
这条链路环环相扣，缺一不可，让机器人从每次任务中不断吸收经验。
首先来看作为系统进化"燃料"的数据管线。
想让机器人 30 天后变得更好，首先需要解决一个问题：这一次为什么失败？下一次训练到底应该改什么？
例如，一次抓垃圾失败，并不意味着任务结束。真正重要的是，系统能不能知道"为什么失败"：是没有识别到垃圾，还是抓取位置不对，还是动作规划出了问题。
答案藏在数据里。
千寻智能的数据平台汇集了 Web 视频、第一视角数据、uDAS 数据、遥操作数据与真机任务数据，覆盖清洗、标注、质检、训练任务管理、模型评测和结果追踪。
目前千寻自研的数据采集设备已迭代至第 7 代，数据采集成本降至传统遥操作方式的 1/10，数据可用性从 30% 提升至 95%，配合全国超 30 万个采集点位，源源不断地输送燃料。
千寻智能可穿戴数采设备同时在全国多地进行数据采集
但对于具身智能来说，真正有价值的数据，并不一定是最"干净"的数据。
这就不得不提到千寻独创的"脏数据"训练理念和数据金字塔体系。
千寻智能数据金字塔
现实世界里，灯光会变化，物品不会永远摆在固定位置，人会突然经过，环境也会不断变化。
如果机器人训练时看到的永远是规整、标准的场景，面对真实世界时反而容易被无关信息干扰。
因此，千寻强调"脏数据"训练，将真实世界里的杂乱变化直接作为模型泛化的一部分。
这还要搭配后训练过程一起来看。
BTW，后训练机制与底座模型，是决定机器人动作上限的基石。
在后训练阶段要解决的核心问题，是让模型真正理解经验，知道"什么值得看"。
机器人在完成整个任务的过程中，需要眼观四路耳听八方。
以"把碗放进洗碗机"为例，这背后至少包含十个连续阶段。
任务开始时，全局视觉帮助它迅速判断自己在哪、洗碗机在哪；真正开始操作后，关注范围会不断缩小，此时更重要的是碗的位置、把手的位置、沥水架的位置。
通过后训练，团队让模型学会对无关变化（如墙面、灯光）保持稳定，对真正影响动作的变化（如碗的位置、站位）保持敏感。
数据和后训练最终需要落到模型能力上，而支撑这一切的底座是 Spirit v1.6 基座模型。
据千寻智能资料，它采用 VLA 与世界模型深度一体化的融合架构。
传统的机器人往往是"感知 - 规划 - 控制"分步走，就像先看地图、再想路线、最后踩油门，反应慢且容易断档。
而Spirit v1.6将视觉感知、语言理解、动作生成与世界状态预测纳入统一训练，实现了边感知、边决策、边调整，就像老司机开车，遇到突发状况手脚能下意识联动。
在由 UC 伯克利、斯坦福、英伟达联合发起的 RoboArena 国际评测中，该模型曾登顶全球第一，超越英伟达 DreamZero 等，是首个登顶该榜单的中国具身模型。
在 Agent 决策层，大脑需要防止机器人在长程任务中有真 · 金鱼一般的记忆。
具体点说就是最怕机器人干着干着就呆在原地，忘了自己为什么站在这里。
譬如，一次抓垃圾失败后，动作模块却给出了"停止信号"，规划器误以为本步骤已经完成，直接进入了"放垃圾"任务——单步误判就这样沿着任务链向后传播。
为了阻断这种连锁错误，Agent 就像个拿着备忘录的工头，必须持续管理任务状态。
它不仅要保存"整理客厅"的总目标和已完成进度，还要根据现场状态决定下一步是继续、重试、跳过还是重规划。
比如抓垃圾失败，是再试一次还是换个目标？有人挡住路线，是等一下还是绕开？
只有 Agent 时刻保持状态对齐，才不会中途脑袋一片空白。
WAIC 现场的一次意外考验让这位"包工头"显了真章。
360 集团的周鸿祎一行到展位互动时，客厅演示区被围得水泄不通，静态客厅瞬间变成高动态、多遮挡的环境。
Agent 全程盯进度，导航受阻时判断该等还是该绕，有人靠近操作区就暂停、确认安全再恢复，目标被遮挡就重新感知。
最终，机器人在人潮中完成穿梭避障和连续操作，任务没有中断。
导航与操作的协同，则体现了"到达"标准的升级。
机器人停在洗碗机前不等于真正抵达，它必须站在 VLA 可完成开门、拉出沥水架和放碗的位置，才算完成这一环节的任务。
这里有一个典型的研发故事跟大家分享一下。
早期调试时，机器人其实已经能顺利走到洗碗机前。
但有一次，它停的位置太靠近冰箱了。单看导航指标，它已经"到了"；但策略模型一接手，问题马上暴露——这个站位并不好开洗碗机，只能额外做大幅度位姿补偿。
于是团队重新定义了什么叫"到达"。
机器人不能以到了某个坐标点为标准，机器人要抵达的得是后续动作真正能展开的位置，即"可操作位姿"。
站得对之外，还得反应得快。
另一条优化线落在导航启动速度上。通过模型、算法和工程链路的协同调整，从接到任务到生成首个导航目标的耗时中位数降低了近 50%。
以上这些都还是软件层的问题，别忘了还有硬件与基础设施。
WAIC 期间，团队遇到过伺服电机异常、电源故障和接口松动等问题。
前面跑了十几分钟，最后一个接口掉链子，整条任务立刻功亏一篑。在长程任务里遇到这种情况，毫不夸张地说团队心里真的是天塌了。
所以 WAIC 结束后，硬件团队改变了策略，把"哪里坏了修哪里"变成了"设计质量前置"，将问题尽量在图纸阶段拦下，并继续改进伺服、电源模块，把设计评审和装配核查固化进流程。
与此同时，模型最终生成的动作，还得靠 Moz1 这套 26 自由度、搭载自研一体化力控关节的本体真正执行；而新模型多久能跑回真机上，又取决于设备管理、推理部署、日志回传这些底层平台能力。
这些看不见的基础设施，把训练和真机之间的距离进一步压短，让现场出现的 bad case 能更快进入下一轮迭代。
成功率达到 100% 之后，继续"找茬"的意义是？
凭借既有模型能力，千寻智能在 WRC 全新场景中直接实现零样本迁移，冰箱操作、娃娃收纳、碗和可乐抓取、洗碗机等多项核心任务在实地测试中成功率达到 100%，展现出强大的跨场景泛化能力。
但成功率达到 100% 之后，团队反而开始主动"找茬"，比如挪起始位置、改物体姿态、换背景什么的。
因为他们发现，单场景 100% 并不代表稳定边界已经足够大。
真机调试中暴露的细节，更能说明长程任务的复杂性。
一次垃圾抓取失败后，动作却给出了停止信号，规划器误以为本步骤完成，直接进入放垃圾任务——单步误判会沿长任务传播。
所以长程任务不能只看动作有没有结束，还得不断确认"这一步到底做没做成"，否则一个小误判就会一路滚到后面。
展会现场的网络状况同样会带来不少麻烦。
现场缺少稳定的有线网络，云端推理还会出现不可预测的长尾延迟。
为此团队做了针对性优化：删减冗余判断逻辑，将一部分视觉判定任务改为并行执行，同时尽可能让推理计算与机器人的其他动作时间重叠，以此缓解网络延迟带来的影响。
展馆一旦涌入大量观众，原本相对静态的场景就变成高动态、多遮挡空间；行人经过会让目标短暂消失，规划好的路线也可能临时失效；导航既要持续避障、重新接近目标，还得和 Agent、VLA 保持任务状态对齐。
从这个角度看，展会现场倒成为一个现成的压力测试场，恰恰是全栈打磨扎实程度的侧面证明。
同时，展会现场的极端压力测试也是工业场景稳定落地的预演。虽然环境不同，但它们都在检验机器人离开实验室以后，能不能长时间、稳定地跑下去。
千寻的这套系统能力，已经开始从展会 Demo 向真实工业等场景外溢——
Moz1 已经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，单日工作量可达到熟练工人的 3 倍；同时还与京东、博世、舍弗勒等企业展开场景合作。
另一款 Moz2 则在尝试把同构基座模型下的能力迁往商超、酒旅、办公楼宇等公域服务场景，并在 WRC 现场首次展示了自然语音交互功能，支持招手、比心、握手等拟人化互动。
这时候回过头看，就能理解为什么千寻智能选择在两个大会里把同一个 Demo 再做一遍了。
具身智能前一阶段最容易被看到的是"能不能做"，而当越来越多机器人开始把这些动作做出来，下一阶段要回答的问题已经不一样了。
同样一件事，它能不能连续做；环境变了还能不能做；中间失败了，系统知不知道自己错在哪；这次出现的问题，能不能进入下一轮训练，让下一版少犯一次。
总结来说，具身智能的终局从来不是造出一台无所不能的机器人，而是跑通一套能自我生长的技术系统。
而上文提到的"时间密度"，最后衡量的也不只有某段时间里，任务成功率涨了几个百分点。
它其实是在评估一套技术体系处理真实失败的速度：谁能更快把问题吃进去，再把改进送回机器人身上，谁的边界就会扩得更快。
这，正在成为观察具身企业长期势能的重要标尺。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
� � 点亮星标 � �
科技前沿进展每日见
倍顺网提示：文章来自网络，不代表本站观点。
