千寻智能披露全栈技术底牌：时间密度驱动30天快速迭代
本篇报道揭示千寻智能如何用同一Demo检验机器人全栈能力，核心是快速从失败中学习并迭代的时间密度。
千寻智能在WRC上重演WAIC的“整理客厅”Demo，看似炒冷饭，实则展示数据、训练、Agent、导航、硬件协同的全栈进步。通过数据闭环和后训练，30天内将成功率提升至100%，并实现零样本迁移到新场景。真正的看点在于“时间密度”——系统吸收失败、迭代、再部署的速度，这决定具身智能的边界扩展。
正文摘录
- title: WRC 展会拿旧 Demo 炒冷饭？扒一扒千寻藏在水下的全栈底牌 - sourcecompany: 量子位 - bodymarkdown: 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。 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 。 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？ 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）。 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。 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。 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。 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 。 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。