Figure发布Helix 2.5，最值得关注的并非“机器人已经会做家务”，而是它对机器人泛化能力提出了一项具体测试：Figure 03人形机器人被带到从未接触过的住宅中完成家务。

不过，56%的完整任务成功率也有另一层直白含义：在严格评分下，仍有44%的尝试未能完成整项任务。114

测了什么：30套未见住宅、三类家务

Figure称，Helix 2.5先在其人类行为数据集 Index 上进行预训练，再从同一个基础模型中形成三种家庭操作行为：

• 整理客厅；
• 叠毛巾；
• 铺床。

随后，团队在旧金山湾区30套此前未见过的住宅中评估这些行为。公司表示，任何评估住宅均未采集数据；测试中没有按住宅地点或所操作物体进行微调、适配，所有住宅使用同一个固定检查点。11

这里的“零样本”（zero-shot）需要准确理解：机器人并未针对这些特定住宅，也未针对现场遇到的玩具、毛巾和床品训练。它并不表示这三类任务完全没有任务专用训练；Figure明确表示，基础模型后来被用于形成这三种行为。11

56%对9%：提升明显，但不是高可靠性

在Figure的受控对比中，Index预训练使完整任务的零样本成功率从从零训练的可比模型的9%提高至56%。411

评分采取“不完成即不得分”的全有或全无规则：

• 整理客厅时，散落的每个玩具都必须被放进篮子；
• 叠毛巾时，毛巾必须叠好并放到指定位置；
• 铺床时，枕头和被子都必须摆放正确并铺平。4

这让56%比“完成了一部分”的宽松指标更有分量。但同样不能忽视：44%的完整任务尝试仍然失败。这项结果说明，广泛预训练可能显著改善机器人向陌生环境迁移的能力；它并不证明家用人形机器人已经能在无人监督下可靠工作。4

Figure为什么认为这条路线可以扩展

Figure的核心设想与大模型的“基础模型”路径相似：先从多样化的人类实体行为中广泛预训练，再用相对少量的机器人数据定义具体行为，最后让机器人进入陌生空间，而不是为每个房间重新采集数据集。11

公司报告称，在覆盖八倍数据量的实验范围内，随着Index预训练数据增加，机器人动作预测损失呈现可预测的下降趋势。Figure还称，Index当时每秒可生成约35分钟的人类经验数据。3

Figure一名代表另行表示，拍摄时约有9万名周活跃贡献者，之后增至10万人以上；这项贡献者数据属于公司说法，并非经独立审计的证据。28

在算力方面，Figure还宣布将通过与Nscale的合作投入首批35亿美元算力资源，目标是部署最多10万块Nvidia Vera Rubin GPU，并计划从2027年下半年开始部署。3

为什么这还不能回答“家务机器人是否成熟”

首先，这项结果由Figure发布并自行评估，并非独立的同行评审家用机器人基准测试。11

其次，30套住宅据称是空置、整洁且光线充足的短租房。真实居住环境还会有家人、宠物、杂物、光照变化、临时打断、不寻常物品和安全约束；这些因素都会显著增加移动和操作难度。4

因此，更恰当的结论不是“机器人现在能做家务了”。Figure展示的是一项受控演示：在大规模人类行为数据上预训练，或许能减少机器人进入每一处新住宅时都要重新采集示范数据的需求。至于这种方法能否达到普通有人居住家庭所需的可靠性与安全性，目前仍没有定论。114

Figure发布Helix 2.5，最值得关注的并非“机器人已经会做家务”，而是它对机器人泛化能力提出了一项具体测试：Figure 03人形机器人被带到从未接触过的住宅中完成家务。

不过，56%的完整任务成功率也有另一层直白含义：在严格评分下，仍有44%的尝试未能完成整项任务。114

测了什么：30套未见住宅、三类家务

Figure称，Helix 2.5先在其人类行为数据集 Index 上进行预训练，再从同一个基础模型中形成三种家庭操作行为：

• 整理客厅；
• 叠毛巾；
• 铺床。

随后，团队在旧金山湾区30套此前未见过的住宅中评估这些行为。公司表示，任何评估住宅均未采集数据；测试中没有按住宅地点或所操作物体进行微调、适配，所有住宅使用同一个固定检查点。11

这里的“零样本”（zero-shot）需要准确理解：机器人并未针对这些特定住宅，也未针对现场遇到的玩具、毛巾和床品训练。它并不表示这三类任务完全没有任务专用训练；Figure明确表示，基础模型后来被用于形成这三种行为。11

56%对9%：提升明显，但不是高可靠性

在Figure的受控对比中，Index预训练使完整任务的零样本成功率从从零训练的可比模型的9%提高至56%。411

评分采取“不完成即不得分”的全有或全无规则：

• 整理客厅时，散落的每个玩具都必须被放进篮子；
• 叠毛巾时，毛巾必须叠好并放到指定位置；
• 铺床时，枕头和被子都必须摆放正确并铺平。4

这让56%比“完成了一部分”的宽松指标更有分量。但同样不能忽视：44%的完整任务尝试仍然失败。这项结果说明，广泛预训练可能显著改善机器人向陌生环境迁移的能力；它并不证明家用人形机器人已经能在无人监督下可靠工作。4

Figure为什么认为这条路线可以扩展

Figure的核心设想与大模型的“基础模型”路径相似：先从多样化的人类实体行为中广泛预训练，再用相对少量的机器人数据定义具体行为，最后让机器人进入陌生空间，而不是为每个房间重新采集数据集。11

公司报告称，在覆盖八倍数据量的实验范围内，随着Index预训练数据增加，机器人动作预测损失呈现可预测的下降趋势。Figure还称，Index当时每秒可生成约35分钟的人类经验数据。3

Figure一名代表另行表示，拍摄时约有9万名周活跃贡献者，之后增至10万人以上；这项贡献者数据属于公司说法，并非经独立审计的证据。28

在算力方面，Figure还宣布将通过与Nscale的合作投入首批35亿美元算力资源，目标是部署最多10万块Nvidia Vera Rubin GPU，并计划从2027年下半年开始部署。3

为什么这还不能回答“家务机器人是否成熟”

首先，这项结果由Figure发布并自行评估，并非独立的同行评审家用机器人基准测试。11

其次，30套住宅据称是空置、整洁且光线充足的短租房。真实居住环境还会有家人、宠物、杂物、光照变化、临时打断、不寻常物品和安全约束；这些因素都会显著增加移动和操作难度。4

因此，更恰当的结论不是“机器人现在能做家务了”。Figure展示的是一项受控演示：在大规模人类行为数据上预训练，或许能减少机器人进入每一处新住宅时都要重新采集示范数据的需求。至于这种方法能否达到普通有人居住家庭所需的可靠性与安全性，目前仍没有定论。114