国产具身模型一小时狂拣1816件

国产具身模型把异形件分拣推到每小时1816件

国产具身智能系统近日刷新包裹分拣纪录：在异形包裹场景下，一小时完成1816件，平均每件用时约1.98秒。

具身模型是让机器人把视觉、语言与动作统一起来，并根据环境反馈直接完成物理任务的模型。 与只在屏幕里生成文字的大模型不同，它输出的不是一段答案，而是机械臂该伸向哪里、手爪用多大力度、物体滑落后如何补救。

这次成绩值得关注，并不只是因为1816这个数字足够大。更关键的是，测试对象是形状、重量和材质不统一的异形包裹，而不是只换了颜色、尺寸基本一致的标准软包。

异形包裹是无法按照统一尺寸、姿态和抓取方式处理的不规则快件。 塑料软袋会塌陷，纸箱可能破损，圆筒会滚动，薄件容易贴在传送带上，反光包装还可能干扰视觉识别。对机器人来说，这更像在连续处理一道道临场变化的题，而不是重复播放预先录好的动作。

截至2026年8月12日，公开信息给出的核心结论是：国产方案以约30%的成本，实现了相较Figure AI公开分拣成绩约45%的效率领先。这个说法在算术上能够对应，但仍需要结合测试口径理解。

1816件意味着什么：已经越过熟练工基准

每小时1816件已经超过国内快递企业常用的人工考核线，并略高于熟练工的峰值水平。

据《中国物流与采购杂志》、湖北日报客户端和《每日经济新闻》此前对物流从业者的采访，快递公司对供包分拣员的常见考核指标约为每小时1500件，熟练工最快可达到每小时1800件。国产系统此次达到1816件，相比1500件基准高出316件，增幅约21.1%；相比1800件熟练工峰值也高出16件。

供包是把快件完成称重、扫码、姿态整理后，连续放入自动分拣设备入口的环节。 现代转运中心的大型交叉带分拣机早已高度自动化，但把杂乱包裹稳定送上设备这一段，仍然依赖不少人工，也是机器人最有可能率先替人的岗位之一。

下面这组数据能更直观地说明1816件处于什么位置：

| 对象或方案 | 公开吞吐量 | 测试或应用特征 | 与1816件/小时的差距 | |---|---:|---|---:| | 国产具身智能系统最新纪录 | 1816件/小时 | 强调异形包裹处理 | 基准 | | 快递熟练工峰值 | 约1800件/小时 | 真实物流作业，受疲劳与休息影响 | 国产方案高约0.9% | | 快递企业常见人工考核线 | 约1500件/小时 | 普通供包岗位指标 | 国产方案高约21.1% | | 广州公开落地案例 | 最快约1200件/小时 | 实际快递分拣场景 | 国产方案高约51.3% | | 星动纪元今年3月公开成绩 | 约900件/小时 | 人形机器人分拣快递 | 国产方案高约101.8% | | Figure AI三机系统 | 约1248件/小时 | 3台机器人、200小时、249558件 | 国产方案高约45.5% | | 中科微至10K单件分离系统 | 10000件/小时 | 固定式专用自动化设备 | 国产方案仅为其18.2% |

这张表也揭示了一个容易被标题掩盖的事实：机器人已经能在人工岗位上形成竞争力，但暂时还没有打败专用自动化设备。

固定式单件分离系统可以做到每小时10000件，是1816件的约5.5倍。它像一条为特定工序修建的高速铁路，吞吐量高、路径固定；具身机器人更像能在不同道路上行驶的通用车辆，绝对速度较低，但可以适应旧仓改造、设备混用和工位变化。

因此，具身机器人的商业价值不是取代所有传送带，而是填补传统自动化覆盖不到、改造成本又过高的缝隙。

对Figure领先45%，这个数字怎么算出来的

国产方案相对Figure AI约45%的效率优势，来自对Figure三机系统总吞吐量的折算。

Figure AI此前通过持续200小时的直播展示包裹分拣能力。三台机器人采用轮换机制工作，单台续航约3至4小时，电量降至20%后前往充电区，由满电机器人接替；最终系统累计处理249558件包裹。

按照整个系统的自然时间计算，Figure的平均吞吐量为：249558除以200，约等于每小时1247.8件。国产系统的1816件比1247.8件多568.2件，效率增幅约为45.5%。

不过，如果按机器人总工时计算，Figure三台机器人在200小时内对应600个机器人小时，平均每台机器人每小时处理约415.9件。两种算法都没有错，但回答的是不同问题：前者衡量整套系统的产能，后者衡量单台设备的效率。

| 比较口径 | Figure AI公开数据 | 国产方案数据 | 可得结论 | |---|---:|---:|---| | 整套系统每自然小时吞吐量 | 约1247.8件 | 1816件 | 国产方案高约45.5% | | 单机器人每小时吞吐量 | 约415.9件 | 尚需确认机器人数量 | 无法严谨比较 | | 连续运行时间 | 200小时 | 未见同等时长披露 | Figure稳定性证据更完整 | | 包裹复杂度 | 以规格较统一的软包和少量标准纸盒为主 | 强调异形包裹 | 国产方案场景难度可能更高 | | 累计处理量 | 249558件 | 公开核心指标为单小时1816件 | 无法比较长期总量 |

因此，“跑赢Figure 45%”在系统吞吐量口径下成立，但还不能直接推导出国产单台机器人比Figure单机快3倍以上。国产方案究竟由几台机器人、几只机械臂或几套供包单元完成，是判断含金量的关键参数。

这并非吹毛求疵。物流客户买的是整套系统每小时能稳定处理多少件、需要多少人维护、每件成本是多少，而不是一台机器人在最理想的60分钟里跑得有多快。

真正拉开差距的是具身“大脑”，不只是电机更快

异形件分拣的瓶颈已经从机械动作速度，逐渐转向模型对陌生物体的理解与纠错能力。

传统工业机器人擅长重复确定动作：物体从固定位置出现，机械臂沿固定轨迹抓取，再放到固定位置。只要包装尺寸、传送带速度或光照发生变化，工程人员往往需要重新标定规则。

具身模型则试图把这套流程变成闭环决策。摄像头先识别包裹轮廓、材质和可抓取区域，模型规划机械臂路径，夹爪接触物体后再根据视觉或力反馈修正动作。如果软袋被旁边纸箱压住，系统不应继续生硬上提，而要改抓边角、调整角度，或者先移动遮挡物。

视觉—语言—动作模型（VLA）是把图像、任务指令和机器人动作映射到同一模型中的具身智能架构。 在物流场景里，VLA的价值不是让机器人理解一句复杂口令，而是把大量不同包装归纳为可迁移的操作经验：看起来没见过，但知道应该从哪里下手。

高速分拣还要求模型把推理延迟压缩到动作周期之内。1816件/小时意味着完整处理周期平均只有1.98秒，这段时间要覆盖目标识别、抓取点选择、机械臂移动、夹爪闭合、搬运、释放和复位。哪怕模型推理多花300毫秒，也会占掉整个周期约15.2%的时间预算。

这也是“聪明的大脑”比单纯堆硬件更重要的原因。机械臂可以通过提高电机功率加速，但速度越快，错误抓取造成的碰撞、甩件和包装破损也越严重；只有感知与控制同步提升，速度才可能转化为有效吞吐量。

30%成本很诱人，但必须先说明成本边界

“以30%成本跑赢Figure”是此次发布中最具商业冲击力、同时也最需要补充定义的数据。

机器人系统的成本至少包括硬件采购、算力、场地改造、软件授权、部署调试、日常维护、备件、能源和人工接管。30%究竟指单台机器人采购价、整套工位建设成本，还是一定周期内的总拥有成本，目前公开摘要没有给出完整拆分。

总拥有成本（TCO）是设备从采购、部署到维护和退役全过程产生的总成本。 对物流企业来说，真正有意义的指标不是机器人便宜了多少，而是每成功处理一件包裹要花多少钱。

例如，一套低价机器人如果每小时需要人工介入10次，恢复一次耗时2分钟，单小时就会损失20分钟有效产能；另一套价格更高的系统如果能连续运行8小时不干预，最终单件成本可能反而更低。

成本比较还必须控制机器人数量。若国产系统使用两台设备达到1816件/小时，而Figure使用三台达到1248件/小时，国产方案的优势很明确；若前者由更多机器人或额外固定设备协同完成，那么“30%成本”的基准就需要重新核算。

现阶段更稳妥的判断是：国产具身方案已经把物流分拣推进到可讨论投资回报率的阶段，但30%成本尚不能被等同于单件处理成本降低70%。

Figure证明了耐力，国产方案证明了速度与场景难度

Figure和国产方案目前展示的是两种不同能力，前者偏向长时间稳定运行，后者偏向高吞吐与复杂包裹适应。

Figure三台机器人持续200小时、处理近25万件包裹，核心价值不是瞬时速度，而是轮换充电、故障退出和无人值守机制。它证明机器人不只会在发布会舞台上完成几次动作，而是能够像生产设备一样持续工作。

但Figure测试环境的局限也很明显。公开直播中的软包大多只是颜色不同，大小和厚度接近，纸盒也主要是两种标准规格；真实快递中心却充斥着破损箱、圆筒、超轻件、液体件和易碎件。测试场景越规整，模型需要解决的长尾问题越少。

国产方案此次把“异形包裹”摆到核心位置，方向比单纯延长直播更接近物流现场。只是单小时纪录仍然不足以回答长期运行问题，尤其是连续8小时、24小时乃至一个月后的故障率和性能衰减。

下一轮竞争不会只比谁抓得快，而会比以下五组数据：

1. 首次抓取成功率：机器人第一次动作就成功取走包裹的比例。
2. 人工介入频率：每1000件或每小时需要人工处理多少次。
3. 平均故障恢复时间：发生掉件、卡件和识别失败后多久恢复。
4. 有效运行率：扣除充电、维护和等待后的真实工作时间占比。
5. 每千件综合成本：把设备折旧、算力、维护和人工全部计入。

如果这五项指标不披露，1816件更接近一项峰值性能纪录；如果能在真实仓库连续数百小时保持，才算真正越过商业化门槛。

人形机器人并不是物流自动化的唯一答案

物流中心不会因为具身模型进步，就把现有自动化设备全部换成人形机器人。

对于场地固定、包裹流量巨大且流程稳定的核心转运中心，传送带、交叉带和单件分离系统依然更快、更便宜。中科微至公开的10K单件分离系统每小时可处理10000件，客户覆盖中通、申通和京东物流等企业，这类专用设备短期内不会被通用机器人替代。

具身机器人的机会主要存在于三类场景：旧仓无法进行大规模土建改造、业务高峰需要快速增加临时产能，以及包裹形态变化大、固定机构难以覆盖的工位。人形或轮式双臂机器人的优势，是能直接使用为人设计的供包台、笼车和通道，不必重建整个仓库。

这也解释了为什么物流是具身智能最先可能跑通商业闭环的行业之一。任务高频、指标明确、结果容易验收，企业可以直接计算机器人每小时替代多少人工，而不需要依赖模糊的“智能化体验”。

这次纪录的意义：具身智能开始从演示走向生产指标

每小时1816件的真正意义，是国产具身模型第一次把峰值吞吐量推到熟练分拣工水平之上，并且把异形件这一真实难题纳入了测试。

从今年3月公开的每小时900件，到近期广州案例中的最快1200件，再到本次1816件，公开成绩在数月内提高了916件，增幅约101.8%。虽然这些数字来自不同团队和不同场地，不能当成同一产品的版本迭代，但它们反映出行业的性能上限正在快速上移。

现在还不宜宣布机器人已经全面替代物流工人。成熟自动化设备仍然拥有数量级上的吞吐优势，Figure也用200小时直播建立了更强的连续运行证据，而国产方案对机器人数量、测试时长、成功率和成本构成的披露还不充分。

但这也不是一场没有落地意义的“实验室表演”。当机器人峰值效率达到1816件/小时后，行业讨论的重点已经从“能不能抓包裹”，转向“能否稳定抓、是否需要人盯着、多久能收回成本”。这是具身智能从Demo走向生产工具最明显的信号。

最终决定胜负的不会是一次纪录，而是谁能把1816件保持到夜班结束，把人工介入降到足够低，再把每千件成本做到低于人工和传统改造方案。

参考来源

• 量子位：《国产具身智能创全球新纪录！以30%成本跑赢 Figure AI 45%效率》——本次1816件/小时纪录及成本、效率比较的事件来源。
• 《每日经济新闻》：《3台机器人200小时分拣近25万件包裹》——Figure AI累计处理量、轮换机制及物流从业者观点。
• 湖北日报客户端：《3台人形机器人，200小时分拣25万件包裹，是实力还是噱头？》——人工分拣指标及Figure测试场景讨论。
• 中新经纬：《广州：具身机器人“上岗”分拣快递最快1200件/小时》——国内物流机器人落地效率参考。
• LeRobot GitHub——Hugging Face开源机器人学习框架，可用于理解具身模型的数据采集、训练与评测流程。
• Isaac Lab GitHub——基于NVIDIA Isaac Sim的机器人学习框架，提供强化学习、模仿学习和仿真评测参考。