2026-08-19 从Sunday Robotics ACT-2预览看家用机器人：双足是"工程税负"，还是必经之路？

作者：Hariet     出品：机器人产业应用

前言

2026年7月16日，Sunday Robotics官方博客正式发布 ACT-2技术预览，对外披露一组令行业侧目的实测数据：轮式家用机器人Memo在从未见过的陌生家庭环境中，对全新衣物实现零样本折叠成功率99.1%——785 次自主尝试中778次成功，覆盖9类常见衣物，折叠质量平均4.72/5星，中位耗时2分13秒。

同期，Sunday Robotics推出Solve标准化评估框架，试图为家用机器人建立"透明评测"新标准，彻底打破行业仅靠短视频Demo秀能力的粗放宣传模式。

这组数据出自Sunday单方评测，尚未经第三方独立验证，但其披露的技术颗粒度，包括预声明任务范围、环境适应成本、误差区间等核心指标，已显著超出行业常规水准，为家用机器人实操能力量化评估提供了全新参考。

当前家用机器人赛道双足与人形路线的讨论已趋于泛滥，行业逐渐意识到“会行走不等于会干活”。

Sunday Robotics跳出赛道同质化内卷，摒弃双足构型的冗余设计，将全部研发重心聚焦于家庭非结构化场景的灵巧操作能力与跨环境泛化能力，凭借独家三指机械手架构、迭代升级的ACT-2模仿学习模型、全闭环数据管线，走出了一条差异化落地路径。

其中，针对性选型的三指灵巧手，成为Memo机器人实现高精度家务操作的核心硬件壁垒。

Sunday轮式家用机器人Memo在厨房台面执行操作任务，其轮式升降机身刻意舍弃双足结构。

01

核心团队底色：斯坦福模仿学习“梦之队”，打造具身智能全栈独角兽

Sunday Robotics由两位斯坦福大学顶尖博士——Tony Zhao（赵子豪）与Cheng Chi（迟宬）于2024年联合创立，二人是全球具身智能、模仿学习领域的标杆级研究者，也是多项行业底层技术的奠基人，团队核心成员均来自斯坦福机器人实验室，构成了业内公认的模仿学习“梦之队”。

Tony Zhao（赵子豪） 与 Cheng Chi（迟宬）

创始人Tony Zhao（赵子豪）深耕机器人双手操作与动作拆解算法多年，是经典ALOHA双手操作平台、ACT（Action Chunking）动作分块核心理论的唯一主导人，该技术彻底解决了机器人长时序家务动作碎片化、执行卡顿的行业痛点，为端到端模仿学习落地奠定了核心基础。

另一位创始人Cheng Chi（迟宬）是全球爆火的Diffusion Policy（扩散策略）发明人，其研究成果被全球上万篇学术论文引用，同时深度参与UMI通用操作接口研发，在机器人决策生成、环境自适应学习领域拥有绝对技术话语权。

依托两位创始人的技术积淀，Sunday Robotics成立仅两年便快速崛起，2026年3月完成1.65亿美元B轮融资，企业估值攀升至11.5亿美元，成功跻身全球新晋独角兽行列。

不同于行业多数企业“先造硬件、再补算法、最后凑数据”的被动模式，Sunday采用行业独创的逆向全栈研发路线：先自研技能捕捉设备搭建数据管线，再迭代顶级AI模型，最终落地硬件产品，形成“数据采集—模型训练—硬件落地”的完整垂直闭环，从根源上筑牢了“重实操、轻冗余移动”的产品底色。

02

硬件核心取舍：深耕三指灵巧手，是家用机器人最优解么？

在家用机器人末端执行器赛道，行业主流方案长期分化为两指夹爪、五指仿人手两大形态，国内新晋厂商千寻创新等企业也纷纷布局三指机械手赛道，足以证明三指构型已成为行业新趋势。

而Sunday Robotics率先锁定三指灵巧手方案，是基于家庭非结构化场景、家务操作特性、工程落地性价比的精准研判，相较于两指、五指方案，实现了实用性与技术性的完美平衡。

行业最普及的两指夹爪，核心优势是结构简单、成本低廉、控制难度低，多用于工业标准化抓取场景。但短板极为突出，仅能实现“夹持、按压”单一动作，无法完成衣物揉搓、对齐、翻折、抚平等精细柔性操作，面对布料、织物等易变形、无固定形态的物体，极易出现夹取打滑、折叠错位、塑形失败等问题，完全无法适配叠衣这类精细化家务任务，这也是传统家用机器人衣物整理能力始终无法落地的核心硬件瓶颈。

而极致仿生的五指仿人手，理论上最接近人类手部形态，动作自由度最高、适配场景最广，但存在严重的工程落地缺陷。五指结构机械复杂度极高，需要配套大量传感器、驱动电机，不仅大幅提升硬件成本与机身重量，还会极大增加算法控制难度，对模型算力、实时决策精度提出严苛要求。

同时，五指手冗余自由度过多，在固定家务场景中多数功能无法落地，反而容易出现动作冗余、操作抖动、功耗过高的问题，性价比极低，很难实现规模化商用。

Sunday选型的三指灵巧手，精准击中家庭场景的核心需求，是专为柔性家务操作定制的最优构型。

该结构舍弃无效冗余自由度，保留核心操作维度，既能模拟人类双手的捏、夹、折、捋、压等复合精细动作，完美适配T恤、衬衫、裤子、围巾等9类差异化衣物的折叠塑形，解决两指夹爪精细度不足的痛点；又规避了五指手结构冗余、控制复杂、成本高昂的弊端，大幅降低模型的动作控制压力，让AI算法可以聚焦于场景泛化、动作优化，而非复杂的机械姿态调控。

更关键的是，Sunday三指手与自研Skill Capture Glove技能捕捉手套实现1:1同构匹配，人类采集的精细化手部操作数据可以无损耗迁移至机器人端，动作映射精度拉满，这也是Memo机器人能实现零样本高精度叠衣的核心硬件前提。

相较于其他厂商跟风式的三指布局，Sunday的三指硬件从选型之初就实现了“硬件-数据-模型”的深度适配，针对性、落地性远超行业通用方案。

03

路线极简决策：舍弃双足冗余，聚焦核心家务实操价值

在行业扎堆双足人形、比拼行走能力的热潮中，Sunday Robotics做出了极具争议却极度务实的决策：彻底舍弃双足结构，采用“轮式底盘+可升降脊柱+双臂三指灵巧手”的硬件形态。

创始人Tony Zhao在知名播客《No Priors》中明确提出核心判断：双足运动对家庭场景属于不必要的“工程税负”。居家高频家务场景集中在台面、地面等固定平面，双足结构带来的平衡控制、跌倒安全、高功耗、高成本等问题，无法转化为实际家务价值。

特斯拉Optimus、Figure等品牌重金投入双足研发，更多是押注长远通用移动能力，却牺牲了当下实操落地的效率与性价比。

Sunday的核心逻辑清晰：家用机器人的核心价值是“靠谱干活”，而非“灵活走路”。其轮式升降机身可通过脊柱升降覆盖居家主流台面、地面高度差，完全适配叠衣、收纳等高频家务；

针对轮式无法跨台阶、过窄巷的天然短板，品牌并未盲目叠加硬件冗余，而是收紧产品定位，聚焦固定平面高频家务场景，同时以Beta远程协助兜底极端工况，且明确承诺不采集用户隐私数据用于模型训练，在实用性与安全性之间实现精准平衡。

Sunday官方ACT-2技术预览影片封面，Memo在真实家庭中自主完成叠衣任务。

04

ACT-2模型深度拆解：凭什么实现99.1%零样本叠衣成功率？

Memo机器人叠衣能力领跑行业的核心壁垒，不仅来自定制化三指灵巧手的硬件优势，更依托Sunday独家迭代的ACT-2动作分块模仿学习模型。

长期以来，具身智能行业深陷“实验室满分、落地即翻车”的泛化困境，多数模型仅能适配训练场景，面对陌生家庭环境、全新衣物材质与版型，成功率会断崖式下跌，而ACT-2模型通过架构革新与训练体系升级，彻底填平了行业泛化鸿沟。

ACT-2预训练规模与泛化差距收敛关系图，直观呈现"扩大预训练缩小域内外表现差"的核心结论。

其一，独创双阶段训练管线，系统性解决场景泛化难题。ACT-2摒弃行业“小样本针对性训练”的常规模式，采用“大规模预训练+小样本微调”的进阶体系：首先依托千万级真实家庭原生操作数据集完成全域预训练，覆盖不同户型、光线、衣物材质、操作手法等多元场景，让模型充分学习家务操作的底层逻辑，而非单一固定动作；再通过少量单任务示范完成监督微调（SFT），快速适配细分任务需求。

这套训练体系让模型的场景适配能力实现质的飞跃，域内与域外场景的表现差距从82个百分点彻底收敛归零，陌生环境零样本成功率从14%飙升至100%。

其二，Action Chunking动作分块核心算法，破解长时序操作难题。叠衣是典型的长时序、多步骤复合任务，包含抓取、展平、对齐、折叠、塑形等数十个连贯动作，传统模型容易出现动作断裂、步骤错乱、细节失误等问题。

ACT-2模型通过动作分块技术，将完整叠衣任务拆解为标准化、可联动的子动作单元，既能保证每一步操作的精度，又能实现长时序动作的连贯衔接，大幅降低折叠失误率，这也是其折叠质量能稳定达到4.72/5星的核心算法支撑。

其三，无损数据闭环加持，模型迭代效率行业领先。Sunday独家的“技能捕捉手套+全民开发者体系”，构建了行业独一无二的真实家庭数据管线。

2000+付费Memory Developers、500+覆盖家庭的千万级原生操作片段，全部来自真实居家场景，自带精准的力控反馈、材质感知、环境适配信息，完全规避了仿真数据的虚实鸿沟、遥操作数据的场景单一问题。

高质量、高多样性的原生数据，为ACT-2模型持续迭代、零样本泛化能力升级提供了源源不断的核心支撑，让模型可以精准适配不同衣物的柔软度、重量、版型差异，最终实现9类衣物99.1%的超高零样本成功率。

ACT-2在9类衣物上的零样本成功率分布（整体 99.1%），Blouses最低94.7%。

目前ACT-2的超强泛化能力仍聚焦于织物操作领域，在餐具收纳、简易料理等新场景的落地仍处于早期阶段，吸尘、玩具整理、精细拉链、咖啡制作等复杂任务尚未达到Solve评测标准，材质精准反馈、超长时序动作稳定性仍是后续迭代的核心方向。

05

Solve评测框架：自建行业标尺，终结Demo乱象

与ACT-2同步上线的Solve标准化评估框架，是Sunday重构行业规则的关键布局。针对行业“只秀最优Demo、隐藏失败场景、模糊适配边界”的宣传乱象，Solve建立了三维量化评测体系，从Performance（任务执行性能）、Scope（场景适配边界）、Adaptation Cost（新场景适配成本）三个核心维度，对机器人实操能力进行全方位量化定义。

该框架率先落地叠衣赛道，强制公开任务场景边界、人工介入频次、模型微调成本等透明数据，彻底打破行业信息差，将家用机器人从“视觉演示竞争”带入“可量化、可复现、可溯源的可靠性竞争”。

对行业而言，Solve不仅是一套评测标准，更是一种全新的技术叙事：家用机器人的核心竞争力，不在于炫酷的行走功能，而在于真实家庭场景中稳定、低成本、高泛化的实操能力。

从商业维度来看，Sunday自建标准的布局极具战略意义：既掌握了行业竞争的话语权，用透明数据建立用户信任，又通过差异化技术人设强化资本市场认可度。

当然，这套体系也面临行业适配阻力，多数双足人形厂商不愿接受“实操优先”的评判标尺，公开核心短板的行业惯性，也让Solve的全面普及仍需长期市场验证。

06

结语：家用机器人终局，是靠谱实操而非炫技行走

从斯坦福顶尖团队的技术积淀，到三指灵巧手的精准硬件选型，再到ACT-2模型的算法突破、Solve标准的行业重构，Sunday Robotics的发展逻辑始终清晰且统一：摒弃人形机器人的无效炫技，回归家庭场景的真实需求。

当下家用机器人赛道已告别粗放式Demo竞争，迈入量化可靠的硬核迭代时代。Sunday Robotics的差异化路径，不仅为行业提供了“单点极致落地、逐步全域拓展”的商业化范式，更重新定义了家用机器人的核心价值：真正值得用户托付的家庭机器人，从来不是走得有多稳，而是能把每一件日常家务，做得足够靠谱、足够稳定。