X Square Robot установил показатель производительности, превысивший целевой уровень Figure AI на 45%

Вопрос о необходимости наличия у робота для сортировки посылок двух ног и десяти пальцев остается открытым. Компания X Square Robot разместила двухрукого робота перед конвейерной лентой, оснащенного стандартными промышленными захватами. Этот робот работал с реальными логистическими посылками, которые различались по размеру, весу, материалу и ориентации. За один час прямой трансляции он выполнил 1816 эффективных операций сортировки, что на 45% превышает показатель Figure 03, составлявший 1248 посылок в час.

Обе компании занимаются схожей деятельностью, однако их аппаратные философии существенно различаются. Figure 03 использует полномасштабное гуманоидное тело и пятипалые руки. X Square Robot же отказался от ног и лишних пальцев, оставив только два манипулятора и захваты. Благодаря этому решение обходится примерно на 70% дешевле, при этом точность сортировки превышает 98%. Посылки, которые обрабатывались, не были однородными: они включали картонные коробки, мягкие пакеты, цилиндрические отправления и свежие товары в пенопластовой упаковке, имитируя реальную линию сортировки.

Ключевым элементом является модель, стоящая за захватами. В апреле 2026 года X Square Robot представил WALL-B. Эта модель построена на единой унифицированной архитектуре, которая одновременно обучает зрение, язык, действие и прогнозирование физических изменений в рамках одной сети, вместо того чтобы соединять компоненты VLA по частям. Модель определяет следующий шаг и предсказывает поведение окружающих объектов. Просто увидеть, как захват закрывается на мягком пакете, недостаточно; система должна предугадать, не проскользнет ли пакет сквозь середину. При перемещении коробки сбоку требуется оценить, произойдет ли ее смещение, вращение или опрокидывание. Этот прогноз затем используется для корректировки действий: либо для подъема двумя руками, либо для использования инерции и рабочей поверхности для переворачивания предметов.

Этот подход, аналогичный идее DeepSeek, применяется к аппаратному обеспечению: модель берет на себя сложность, позволяя корпусу оставаться простым и недорогим. Захваты жертвуют степенями свободы, а WALL-B компенсирует их более умными стратегиями, зависящими от состояния посылки. Аппаратное обеспечение по-прежнему имеет значение: открытие захвата, трение, нагрузка на руку и точность силы определяют возможности робота. Однако теперь то же самое стандартное оборудование способно справляться с произвольными сценами. Figure сохраняет полностью гуманоидную форму для мобильности, использования инструментов и тонкой манипуляции, тогда как X Square Robot поддерживает минималистичный корпус для станции конвейера, утверждая, что складским помещениям не следует платить за ходьбу, баланс и десять пальцев.

Одна и та же модель применима как для дома, так и для промышленности. После выпуска первой комплексной базовой модели WALL-A в конце 2024 года, X Square Robot начал внедрять роботов в дома престарелых и обычные жилые дома. В 2026 году компания заключила партнерство с 58 Daojia для предоставления услуги интеллектуальной уборки по запросу, став первой компанией, внедрившей воплощенный ИИ в обычные дома в масштабе. WALL-B был проверен в этих фрагментированных средах, прежде чем перейти на складские помещения. Экономические факторы — это то, что отрасль называет «линией убийства»: эффективность, стоимость, стабильность и скорость воспроизведения. Когда модели начинают понимать вес, трение и инерцию, роботы могут использовать меньше дорогостоящих корпусов, и воплощенный интеллект приближается к преодолению этого барьера.

Стартап X Square Robot из Пекина сделал фреймворк HOST открытым исходным кодом. Этот фреймворк позволяет гуманоидному роботу наблюдать короткое демонстрационное видео и успешно воспроизводить задачу с первой попытки. Используя всего 29-секундный клип, HOST достиг 62-процентного показателя успешности выполнения задачи, что значительно превосходит отраслевой стандарт, который обычно требует около 50 экспертных демонстраций и четырех часов тонкой настройки для достижения лишь 38-процентной успешности.

Преобладающий метод в области воплощенного ИИ включает сбор данных телеуправления. В этом процессе инженер использует VR-гарнитуру, чтобы вручную направлять роботизированную руку через задачу кадр за кадром, повторяя последовательность многократно, прежде чем запускать контролируемую тонкую настройку на ночь. Расходы, связанные с этим методом, существенны; один робот для сбора данных может стоить сотни тысяч долларов, а предельная стоимость одной демонстрации может превышать сто долларов.

Хотя фабрики данных в Индии и работники неполного рабочего дня в китайских сельских городах предлагают самый доступный источник движущихся данных, общая структура затрат остается сложной для масштабирования.

HOST фундаментально меняет эту устоявшуюся процедуру. Вместо того чтобы инструктировать робота имитировать движения суставов человека, HOST побуждает робота концептуализировать конечное состояние, а затем выводить необходимое движение. Фреймворк включает два основных компонента: модуль зрения, который обрабатывает человеческую демонстрацию, чтобы представить сцену так, как ее воспринимает робот, и модуль действий, который рассчитывает траекторию суставов, необходимую для получения этого конкретного представления.

Кроме того, интегрирован модуль выравнивания динамического временного растяжения для сопоставления кадров из видео человека с этапами выполнения робота, уменьшая ошибки выравнивания примерно на порядок. Эта методология черпает вдохновение из теорий когнитивной науки о симуляции, которые предполагают, что люди приобретают новые двигательные навыки, мысленно репетируя предполагаемый результат до выполнения действия.

Китайская команда адаптировала эту когнитивную логику для обучения роботов, заменив традиционную офлайн-тонкую настройку обучением в контексте во время инференса. В этой настройке робот не проходит повторное обучение на новых данных; вместо этого он рассматривает предоставленное видео как подсказку. X Square Robot был основан в конце 2023 года и с тех пор привлек более одного миллиарда юаней в ходе восьми раундов финансирования, среди инвесторов — Meituan Strategic Investment, Alibaba Cloud, Lenovo Capital и Delian Capital.

Решение о выпуске HOST с открытым исходным кодом является стратегическим шагом, направленным на привлечение внимания разработчиков как пути к корпоративным пилотным программам. Хотя показатель в 62 процента служит исследовательским ориентиром, а не готовым к развертыванию потребительским роботом, он эффективно переопределяет дискуссию о будущей архитектуре конвейеров обучения воплощенного ИИ, когда обучение во время инференса станет стандартной практикой.