一颗腕部运动相机、一句 prompt：破壳把「接一台陌生机械臂」的活，压缩成了一份硬件组合表
不采数据、不训模型，在适配的机械臂上接进去，用一句 prompt 下达指令。听着像又一句发布话术，但它给出的硬件清单很具体：腕部一颗运动相机加末端位姿控制，从 UR7e 换到 YAM Standard 也能跑。这份清单该怎么核，比「免费」两个字更值得看。
- 主体：破壳机器人（PokeBot，2026 年 4 月成立、创始人出自星海图）在 10-30 凌晨发布首款模型产品 RoboAPI，自研世界-动作模型 Poke-Aurora 同步亮相。
- 形态：面向真实物理世界的具身 API，技术预览期免费开放，入口为 developers.pokebot.com；公司明确其为非商业化应用，不向盈利性第三方提供产品或服务。
- 最硬的工程决策是「砍构型」：受 UMI 启发，把观测与控制都收敛到「腕部鱼眼相机 + 末端位姿控制」，以夹爪末端为中心，用的是消费级运动相机。
- 两处可核的兼容性证据：把 Insta360 Ace Pro 2 换成 DJI Action 6，效果几乎不受影响；从 UR7e 迁移到 YAM Standard 这类差异较大的构型也能跑通。
- 判断：这类「免费预览的具身 API」真正的筛选价值，不在它能做多少种任务，而在它把「接一台新臂」的成本从「一个月」压到了「一套硬件清单」。清单能不能对上，你十分钟就能算清；演示视频做得多漂亮，你一个月也验不完。
具身模型落地最贵的一段，从来不是模型本身，是把模型接到一台具体的机械臂上。臂的结构不同、传感器的数量和位置不同、控制方式不同，动一处模型就可能水土不服。一个高校实验室想跑通一套开放模型，采数据、微调、验证、补采，一轮下来常常一个月。
破壳这次想省的就是这一个月。它的做法不是把模型做得更通用，而是反过来——先把「哪些部分必须统一」这件事定死，其余全部砍掉。
报道里最关键的一句话是：团队在后训练阶段，受 UMI 启发，把观测与控制都收敛到「腕部鱼眼相机 + 末端位姿控制」这一构型上，以夹爪所在的末端为中心，用的还是消费级运动相机。
这句话拆开看是三层削减。第一层，不要全身感知——不用机载深度相机建图，不用外部动捕，观测就来自腕上那一个视角。第二层，不控关节——控制量是末端位姿，逆解交给机械臂自己算。第三层，不要定制硬件——消费级运动相机，一颗几百到几千块的设备，不是专供传感器。
三层砍完，剩下来的东西才可能是「一套能在不同臂上复用的配置」。这也解释了为什么它能给出那两处兼容性对照：把 Insta360 Ace Pro 2 换成 DJI Action 6，效果几乎不受影响；从 UR7e 迁移到 YAM Standard 这类差异相当大的构型，也能跑通。
报道列出了官网公开的三组搭配：UR7e／UR5e 与 Franka FR3／Panda 配 Robotiq 2F-85；YAM Standard 配 YAM 夹爪；浮动底盘「天机」配 YAM 夹爪。这份清单的信息量比它看起来大。
| 组合 | 臂 | 夹爪 | 接入前该确认的事 |
|---|---|---|---|
| 工业协作臂 | UR7e / UR5e、Franka FR3 / Panda | Robotiq 2F-85 | 末端位姿指令的坐标系定义、逆解在工作空间边缘是否稳定、2F-85 的开合行程是否够用 |
| 轻量标准臂 | YAM Standard | YAM 夹爪 | 相机与夹爪的机械接口是否原厂配套、线缆走位会不会干涉 |
| 移动底盘 | 浮动底盘「天机」 | YAM 夹爪 | 底盘移动时相机的抖动幅度、停稳判定由谁负责 |
三组里有两组用 YAM 夹爪，一组用 Robotiq。这个分布透露的信息是：YAM 是它自己的主推构型，UR/Franka + Robotiq 是兼容口径。如果你的现场用的是这两套之外的组合——比如国产六轴配自研夹爪——那么「是否支持」这件事大概率要单独问，而不是看这张表。
还有一件表里没写、但一定要问清的事：末端位姿是谁算的。如果 API 输出的是「夹爪末端在基坐标系下的位姿」，那么臂的反解精度直接决定能不能用；如果输出的是相对当前位姿的增量，那么漂移会累积。报道只说「接收机器人的观测与状态，结合用户指令，近乎实时地预测并输出接下来的动作块」，「动作块」这三个字的定义，是整个接入里最该抠的细节。
按做交付的顺序排，这份清单可以直接拿去跟供应商对：
一、我的臂在不在支持列表里？不在的话，是「能跑但没验」还是「不支持」，这两句差别很大，要让对方明确回答。
二、相机装在哪、怎么标定？腕部鱼眼的外参标定流程、标定误差容忍度、重装之后要不要重标，这三件事决定了现场维护成本。
三、夹爪换型号怎么办？2F-85 换成别的行程或别的品牌，抓取策略要不要重训——如果答案是「要」，那「不采数据」这个卖点在你的场景里就不成立。
四、延迟是多少？报道说「近乎实时」，但没有给毫秒数。对分拣这类节拍敏感的任务，几十毫秒的差别就是产能差别。
五、失败时它怎么退出？抓空、撞到、目标被挪走，这几种情况下的行为是重试、停下还是报错，决定要不要人在旁边看着。
六、预览期结束之后呢？公司已明确这是非商业化应用、不向盈利性第三方提供。这句话的意思是：现在能白用，但别把产线押上去。
过去两年，具身模型的竞争焦点是「谁的榜分高」。但榜分高不直接等于能接进客户的现场——客户现场是一台具体的臂、一个具体的夹爪、一个具体的工位高度。
把接口收窄到「腕部相机 + 末端位姿」，本质上是把通用性问题换成了适配性问题：模型不用再理解千奇百怪的构型，只要你的构型落进它那套配置里，就能用；落不进去，就回到原点。这是一种很务实的取舍，也很像早期计算机视觉的做法——先定死相机安装角度，再谈算法。
对做二次开发交付的团队，这种产品有价值的地方在于可以把「能不能做」的判断提前到报价阶段。以前接一个抓取类需求，要先评估采数据、训模型、调参的时间；现在可以先花十分钟核对硬件清单，对不上就直接排除，对得上再谈效果。这省下的不是钱，是那些本来会亏在「做到一半发现做不了」的项目上的时间。
至于它最终能不能成为基础设施，看的不是免费期有多长，而是那份支持列表会不会随时间变长。列表不变，它就是一个特定构型的专用方案；列表持续扩，它才可能变成别人绕不开的一层。