近期，具身智能领域备受瞩目的自变量机器人公司，在短短两个多月内接连完成B+、B++、C三轮融资，加上此前由小米领投的B轮融资，四轮融资均已完成交割。此次融资吸引了超过30家投资方参与，不仅有红杉、IDG等顶级风险投资机构和互联网企业，还涵盖国开金融、国科投资、国投创新、中保投资、中国移动链长基金等国资与地方资本。完成融资后，该公司投后估值约达200亿元，资本的密集加注引发了行业广泛关注。
若将时间线拉长观察，会发现自变量机器人不仅融资节奏紧凑，在技术研发与落地应用方面同样成果丰硕。在模型研发上，该公司今年4月发布了世界统一模型WALL - B，这是首个采用“世界统一模型（WUM）”架构的具身大模型。该模型将视觉、语言、动作以及物理预测整合到同一网络进行联合训练，具备原生多模态的空间推理、环境演化预测能力，还能在交互中积累记忆并自我进化，被视为具身大模型在底层架构和训练范式上的重要突破。
除世界统一模型外，自变量机器人还开源了VLA模型WALL - OSS - 0.5。此模型亮点突出，仅依靠预训练就具备与其他模型后训练相当的任务能力。在17个真机任务测试中，有4个无需后训练，仅靠预训练自主完成率就超过八成，在操作类和推理类任务中的表现甚至领先于Pi 0.5等主流开源模型。该公司还发布了世界模型WALL - WM，它以“事件”而非均匀时间来对齐多模态数据，能更精准地刻画物理世界的演化趋势。以世界统一模型为引领，开源VLA模型和世界模型协同发展，自变量机器人在自研具身大模型领域成果不断，研发节奏紧凑有序。
在数据与工程体系建设方面，自变量机器人同样不遗余力。数据层面，公司自主研发了覆盖采集、清洗、自动标注、质控与增广的工业级数据管线。通过数据合成模型，能够复现现实中难以采集的复杂、危险或罕见场景，且保证物理精度与真实世界一致。配合支持全模态数据可回放、可迁移的XR Zero无本体数采方案，将训练所需的数据成本降低了约95%。在数据成本占据主要地位的具身智能行业，这一举措极大地加快了迭代速度。
工程方面，自变量机器人自主研发了面向具身大模型的分布式训练与高性能推理框架，构建了“执行—采集—再训练—部署”的数据回流闭环，并叠加在线强化学习机制。这使得模型在真实部署过程中能够持续吸收新数据，实现自我进化。在EAIDC黑客松活动中，开发者借助该公司的工程体系，仅用三天就完成了通常需要数月才能跑通的全流程，充分体现了其工程体系的成熟度。这些举措在以数据和算力为门槛的具身智能赛道上，构建起了高效的竞争壁垒。
在落地应用领域，自变量机器人也积极推进，B端和C端市场同步发力。在B端，3月，公司与金杯股份合资成立金智变量机器人公司，其机器人产品进入华晨宝马座椅与内饰一级供应商产线。同时，与顺丰达成合作，率先将具身大模型和机器人引入复杂的工业物流场景，显著提升了分拣效率和作业稳定性，使具身模型和机器人率先通过物流行业严格的生产力检验。产线的高精度要求和物流的高强度节拍，成为检验技术稳定性的有力场景。
在C端，自变量机器人3月起与58到家合作，让机器人与保洁人员协同完成家政服务，成为较早进入普通家庭、服务大众的具身智能实践案例。5月，公司又推出机器人常驻家庭的“X家庭成员计划”，让机器人在结构复杂、环境随机的真实家庭场景中“边干边学”，在满足真实服务需求的同时加速模型能力进化。短短数月内，B端和C端的真实场景应用陆续落地，不仅展现了其跨领域作业能力，也为后续规模化商用探索出了可行路径。
综合来看，自变量机器人的融资节奏与技术、场景的兑现节奏高度契合。每一轮融资间隙，都有新的模型发布或新的场景落地。短时间内四轮融资连续完成交割，并非资本盲目追逐热点，而是资本依据其清晰的技术兑现节奏进行加注。在当前具身智能赛道马太效应初显、资源向领跑者集中的背景下，这种“说到做到”的技术兑现能力，成为自变量机器人最具说服力的优势。
