@rohanpaul_ai: 10,000个包裹。5小时14分钟。一个具身AI模型运行整个挑战。X Square Robot的WALL-B模型…

10,000个包裹。耗时5小时14分钟。一个具身智能模型独立完成整个挑战。

X Square机器人的WALL-B模型在分拣10,000个包裹时，维持了每小时1,911件的处理速度（约合每个包裹1.88秒）。

这项任务的物理复杂性常被低估。机械臂需识别包裹朝向，将每个包裹标签面朝上翻转，然后滑动送上传送带。毛绒玩具等异形物品则会被分流至其他通道。

作为参考，此前Figure机器人公布的包裹处理周期为2.88秒。

X Square的WALL-B模型通过实时场景分析决定每个包裹的处理方式，其六轴机械臂同步执行抓取与校正动作。

该模型先前公开测试记录显示平均处理速度为每小时1,816件，准确率超98%，因此新成果实现了更长持续时间与更高处理效率的双重提升。

看似简单的抓取动作背后，是涉及3D感知、抓取推理、运动规划、力控与在线校正的闭环循环计算。

其难点在于：在场景随每次动作实时变化的情况下，需要融合快速视觉感知、三维几何计算、抓取策略选择、避碰运动规划、反馈控制及故障恢复等多种能力。

连续处理10,000个包裹的完整循环，是对机器人系统在数千次微小物理误差累积下能否保持稳定性的终极考验。

另一重难点在于持久性挑战，其难度不亚于速度要求。

每多运行一小时，感知误差、微小标定偏差、抓取失败、不规则包裹几何形态、控制细微失误等因素就多一分叠加效应。一个处理50件包裹表现优异的系统，在连续运行数千件后可能出现显著性能差异。

影像记录还显示该策略超越了简单的重复抓取放置：包裹被翻转至标签面朝上、移上传送带，而毛绒玩具等特殊物品则被输送至其他通道。