Sunday的资源集中战略

一句话判断

Sunday的资源集中战略

论文解决什么问题

具身智能公司最难的组织决策，不是技术选型，是资源怎么分。

核心方法

多数团队选择"广撒demo"：十个任务各做到六成，靠视觉冲击力换融资叙事。Sunday做了相反的赌注：自研本体+数据采集硬件+模型+车队全部握在自己手里，只押一件事——把叠衣服这一项任务做到部署级可靠，再谈下一项。

实验结果

↳ 组织逻辑是什么？
①全栈自有：不依赖第三方硬件或数据商，改进闭环能跑得足够快
②便宜代理先筛选：验证损失和真机成功率强相关(R²>0.9)，先用这个代理指标在实验室迭代数据配比，把最贵的真机评测留到最后一步才启动
③改写度量标准：提出"Solve"(声明范围+适配成本)，把游戏规则从"demo好不好看"改成"能不能在自己选的赛道上量出可靠性"——这个标准恰好是全栈公司的强项，也是纯demo公司的软肋

效果：785次全自主评测，9类衣物99.1%成功率；预训练规模从0拉到100%，域内域外差距从82个百分点收窄到0；同样数据量下，精选12.5%数据打75.6%，均匀采样只有43.8%——资源投入真的换到了可验证的曲线。

这篇论文不是什么

· 全部数字自报，无第三方评测
· 99.1%只覆盖叠衣一个任务族，是任务内泛化，不是跨任务涌现
· 吸尘/煮咖啡等能力"尚未按Solve标准检验"
· 排除了袜子/内衣等易变形物件——这类边缘案例，恰好是行业公认最难迁移的部分

对机器人 / 世界模型 / VLA 的启发

Sunday的赌注和另一条已知路径正面冲突：Fe0团队的结论是"堆数据解决不了物理泛化，动作迁移会撞上硬天花板"；Sunday排除的那批边缘案例，恰恰印证了那堵墙还立在那——规模化解决的是感知和决策层的泛化，物理执行层的账，这篇还没真正结清。

也是一次组织策略的三岔路对照：千寻先堆数据山、模型到临界点才放量；Sunday单点打穿部署线、让部署本身启动飞轮；自变量用人肉脚手架、部署即采集。三条路谁先把"可靠性曲线"做实，半年后见分晓。