近日，Sunday Robotics正式推出面向家庭服务机器人场景的通用物理操作端到端模型ACT-2，针对性优化家用机器人场景泛化弱、落地成本高、陌生环境适配不足等行业普遍痛点。该模型依托大规模预训练结合少量微调示范的创新范式，平衡了模型通用能力与场景落地可靠性，首次实现广泛环境泛化能力与高精度作业性能的深度融合，仅需少量微调数据即可适配各类真实家庭复杂场景，有效改善传统家用机器人场景适配局限、容错率偏低的问题，为消费级具身智能规模化入户落地夯实技术基础。

当前家庭服务机器人产业迭代进程中，场景适配与数据成本仍是主要发展瓶颈。多数传统机器人模型依赖海量标注数据训练，通用泛化能力有限，更适配标准化预设场景与固定物品作业。面对真实家庭中布局杂乱、物品样式多元、环境动态多变的复杂场景，传统模型容易出现识别偏差、动作卡顿、任务执行失败等问题。同时，大规模数据采集、人工标注与模型迭代流程，耗费大量时间、人力与算力资源，拉高了家用服务机器人的研发落地门槛，一定程度上制约了家政机器人的民用普及速度。

此次发布的ACT-2模型，核心技术突破在于革新机器人学习逻辑，采用「大规模通用预训练+场景少量微调」的先进范式，区别于传统模型单纯堆砌海量数据或纯小样本训练的单一模式。模型先通过海量通用物理场景数据完成预训练，积累基础环境认知与动作逻辑，再依托少量场景微调示范数据快速适配居家专属场景，兼顾强大通用泛化能力、高精度作业性能与落地可靠性，大幅压缩模型迭代周期，降低场景适配与落地优化成本。

为彻底解决机器人行业长期存在的数据难题，Sunday Robotics搭建了全链路自研数据体系，为ACT-2模型的性能突破提供核心支撑。企业自主研发专属数据采集设备、标准化数据管理流程与智能化数据处理系统，构建起适配家庭实操场景的专属内部数据集。这套闭环数据体系能够精准采集、筛选、优化家庭作业场景数据，贴合真实居家环境的多元性、复杂性与随机性，为模型训练、迭代升级提供高质量数据支撑，从源头规避通用数据集与居家场景适配脱节的问题。

依托自研闭环数据体系的持续迭代优化，ACT-2模型的场景泛化能力实现大幅提升，可灵活适配各类从未接触过的陌生家庭环境与全新作业场景，彻底摆脱传统机器人高度依赖预设场景的局限。在权威性能测试中，该模型展现出极强的实景适配能力，在多样化未知家庭环境中，零样本衣物折叠任务成功率高达99.1%，无需针对性场景训练，即可自主完成衣物识别、整理、折叠全流程精细化作业，落地实用性与场景适配性显著提升。与此同时，Sunday Robotics本次同步推出专属Solve评价框架，补齐了家用机器人实操评测的行业短板。过往行业多以单一任务成功率作为评价标准，难以全面衡量机器人作业稳定性、过程完整性与动态适配能力，而Solve框架构建起多维度、系统化的评测体系，聚焦真实家庭复杂工况，从作业精度、环境适配、容错修复、任务完整性等多个维度量化模型性能，为具身智能家用机器人的技术迭代、效果校验、场景落地提供标准化评估依据，填补了家庭服务机器人领域精细化评测的空白。

相较于传统家用机器人模型，ACT-2的技术范式革新具备突出的产业价值。传统模型普遍存在“训练成本高、场景泛化弱、适配灵活性不足”的问题，更换作业场景与物品类型后往往需要重新微调训练，落地复用成本较高。而ACT-2依托预训练积淀的通用能力，搭配少量微调即可快速适配全新居家场景，实现“一次预训练、多场景高效适配”，完美贴合家庭环境动态、多元、非标准化的作业特点。除核心的衣物折叠任务外，该模型还可拓展适配家居整理、物品收纳、日常家政辅助等多元居家场景，具备广阔的场景迭代与功能升级空间。

ACT-2模型搭配Solve评价框架的成套发布，标志着家庭具身智能产业迈入「技术迭代+标准评测」双向完善的全新阶段，有效破解了家用机器人从实验室样机走向真实家庭规模化落地的核心难题。技术层面，预训练加微调的创新范式，摆脱了传统模型对海量场景数据的过度依赖；评测层面，Solve框架为行业提供了贴合实景应用的标准化考核体系，终结了单一指标评判的粗放式评测模式。未来，Sunday Robotics将持续迭代ACT-2模型性能，完善Solve评测体系，丰富居家作业场景，持续降低家用服务机器人落地门槛，推动高精度、高适配的具身智能设备走进千家万户，加速家庭智能服务产业的规范化、普惠化、高质量发展。