对多种物品，机器人完成Pick and Place，只是泛化能力的一部分。

在真实作业场景中，更重要的问题是：每增加一种SKU，是否都要重新数采和训练？换成陌生物品后，成功率和作业节拍是否会明显下降？

毕竟，脱离效率的泛化，没有商业价值。

极智嘉 (Geek+, 2590.HK) Gravity具身智能框架连续挑战了100种未做数据采集的陌生物品。测试全程使用同一个模型，没有针对其中任何一种物品追加训练或单独微调。

100种陌生物品拣选最终成功率100%。亮眼成绩背后，是极智嘉Gravity框架在系统、数据和能力三个层面的协同。

系统层：异步推理，守住泛化后的作业效率

模型能力越复杂，通常意味着更长的推理时间。如果模型按照“推理—执行—再推理”的方式串行工作，每完成一次拣选，机器人都要停下来等待下一次计算。

Gravity采用异步推理机制：当前动作执行时，后续动作已经开始计算，将部分模型推理时间隐藏在机械臂运动过程中；通过Pipeline Parallelism，推理与执行在时间上交叠，减少两者相互等待产生的停顿。

拣选挑战中，部分表面光滑的圆柱形商品受到轻微触碰后便会滚动，导致原有位置和抓取点迅速失效。得益于异步推理，Gravity能够在物体状态变化后快速完成重新感知、抓取点更新与动作调整，减少等待和无效重复，从而提升动态环境下的响应速度与拣选效率。

数据层：数据金字塔，拓展泛化的边界

Gravity并未针对此次测试建立专项数据集。依托于数据金字塔中的海量互联网视频数据与高精度仿真数据，模型首先形成跨物体的视觉、空间与操作先验。

在此基础上，Gravity仅补充极少的真机训练数据，将通用先验进一步对齐到真实机械臂及其物理交互过程，即建立了可迁移的百万级SKU拣选能力。

这些真机数据并不以穷举SKU为目标，而是覆盖不同物体在多种位置、姿态和遮挡条件下的“状态—动作—结果”组合，以及贴壁、边角、缺少进爪空间等困难状态。

因此，模型积累的并不是一张“物品—固定抓取点”对照表，而是可跨物体复用的操作经验：

物体形状 × 空间位置 × 摆放姿态 × 遮挡关系 × 动作结果

在这个意义上，Gravity不再只是记忆某个抓取动作，而是开始学习物理世界中的交互规律，从而将有限的真实经验迁移到新的物体与场景中。

能力层：自主策略调整，提升泛化的深度

面对没有专项训练的物品，Gravity依据其形状、位置和可操作空间估计Grasp Affordance，直接计算可执行抓取点，而不是调用某个SKU对应的预设动作。

83%的首次抓取成功率，体现的是Grasp Point Generalization。

真正体现下一层能力的，是没有一次抓起来的17%。

软包装可能形变，玻璃表面容易滑动，圆柱体受到碰撞后可能滚动，贴近箱壁的物体则缺少进爪空间。当物体状态发生变化，Gravity会重新感知和计算，而不是重复已经失败的轨迹。

面对宽度超过夹爪开口的物体，机器人还会先将其推至竖立状态，再完成夹取。这类Non-prehensile Manipulation不是直接抓持，而是先通过推动、拨动改变物体状态，为后续抓取创造条件。

因此，Gravity泛化的不只是“陌生物从哪里抓”，还包括“如何调整策略，直至完成任务”。

从通用先验、动作策略到推理与执行协同，Gravity解决的是同一个生产命题：新增SKU无需逐一训练，遇到异常减少人工介入依赖，面对持续变化仍能保持作业节拍。

能拣更多物品，只是泛化的起点；在变化中自主完成任务，同时不降低效率，才是Gravity所要验证的生产级泛化。