Figure ৩০টি বাড়িতে Helix 2.5 পরীক্ষা করেছে: রোবট ৪২০টি কাজের মধ্যে ২৩৭টি সম্পূর্ণভাবে সম্পন্ন করেছে
রোবটটি এমন বাড়িতে তোয়ালে ভাঁজ করেছে, বিছানা গুছিয়েছে এবং খেলনা কুড়িয়েছে, যেখানে সে আগে কখনো যায়নি। পরীক্ষায় দেখা গেছে, নতুন ঘরেও এই দক্ষতাগুলো কাজে লাগে, তবে ১৮৩টি অসমাপ্ত কাজ এবং Figure-এর নিজস্ব ফলাফল মূল্যায়নের কারণে সিস্টেমটিকে এখনো স্বয়ংক্রিয়ভাবে পরিষ্কার করার জন্য প্রস্তুত বলা যায় না।

কী পরীক্ষা করা হয়েছিল
সান ফ্রান্সিসকো বে এলাকার ৩০টি অপরিচিত বাড়িতে Helix 2.5 তিনটি কাজ করেছে: তোয়ালে ভাঁজ করা, বিছানা গোছানো এবং খেলনা গুছিয়ে রাখা।
Figure আগে থেকে এই বাড়িগুলোতে তথ্য সংগ্রহ করেনি। সব জায়গায় মডেলটির একই সংস্করণ ব্যবহার করা হয়েছে: সেখানে এটিকে অতিরিক্ত প্রশিক্ষণ দেওয়া হয়নি, আর আগের চেষ্টার পরেও পরিবর্তন করা হয়নি।
কোম্পানিটি পরীক্ষাটিকে জিরো-শট বলেছে। বাড়ি ও জিনিসপত্র নতুন ছিল, কিন্তু কাজগুলো নতুন ছিল না: মডেলটিকে আগে থেকেই অন্য জায়গার রেকর্ডিং দিয়ে প্রশিক্ষণ দেওয়া হয়েছিল।

সাফল্য কীভাবে গণনা করা হয়েছে
পরীক্ষায় ৪২০টি কাজ ছিল। আংশিক নম্বর দেওয়া হয়নি: রোবটকে কাজটি পুরোপুরি সম্পন্ন করতে হতো।
- খেলনা: ১৩–১৫টি সব জিনিস ঝুড়িতে রাখা।
- তোয়ালে: সব তোয়ালে ভাঁজ করা।
- বিছানা: বিছানায় দুটি বালিশ রাখা, কম্বলের ওপরের কোণগুলো টেনে ঠিক করা এবং কম্বলটি মসৃণ করে দেওয়া।
নিরাপত্তার কারণে মানুষের হস্তক্ষেপ হলে সেটিকে ব্যর্থতা হিসেবে ধরা হয়েছে। তাই চূড়ান্ত স্কোরে শুধু এমন কাজগুলোই গণনা করা হয়েছে, যেগুলো হস্তক্ষেপ ছাড়াই পুরোপুরি সম্পন্ন হয়েছে।
রোবট কতগুলো কাজ সম্পন্ন করেছে
Helix 2.5 ৪২০টির মধ্যে ২৩৭টি কাজ পুরোপুরি সম্পন্ন করেছে। বিছানা গোছানোর কাজে এর ফল সবচেয়ে ভালো ছিল, আর খেলনা গুছিয়ে রাখার কাজে সবচেয়ে খারাপ।
| কাজ | সফল প্রচেষ্টা | সাফল্যের হার |
|---|---|---|
| বিছানা গোছানো | ১৪০টির মধ্যে ৯৪টি | ৬৭% |
| তোয়ালে ভাঁজ করা | ১৪০টির মধ্যে ৮৭টি | ৬২% |
| খেলনা গুছিয়ে রাখা | ১৪০টির মধ্যে ৫৬টি | ৪০% |
তুলনার জন্য, Figure একই বিশেষায়িত তথ্য দিয়ে সিস্টেমটিকে প্রশিক্ষণ দিয়েছে, তবে Index-এ পূর্বপ্রশিক্ষণ ছাড়াই এলোমেলো সেটিংস থেকে শুরু করেছে। এই সংস্করণটি ৪২০টির মধ্যে ৩৫টি কাজ সম্পন্ন করেছে। Figure-এর চার্টে ৮% দেখানো হয়েছে, আর সঙ্গে থাকা লেখায় ৯%।
Index হলো Figure-এর মানুষের কাজের রেকর্ডিংয়ের সংগ্রহ। তিনটি কাজের প্রতিটির তথ্য এই সংগ্রহের সর্বোচ্চ ১.৯% জুড়ে ছিল।
বাড়িতে ব্যবহারের প্রস্তুতি সম্পর্কে ফলাফল কী বলে
মূল্যায়নটি Figure নিজেই করেছে; এখনো ফলাফলের কোনো স্বাধীন পুনরাবৃত্তি নেই। কোম্পানিটি বাড়ির সংস্করণ কবে আসবে বা কী হারে ব্যর্থতা গ্রহণযোগ্য, তাও জানায়নি।
৪২০টি কাজের মধ্যে রোবট ১৮৩টি সম্পন্ন করতে পারেনি। Figure মনে করে, এত ব্যর্থতার হার থাকলে রোবটকে এখনই তত্ত্বাবধান ছাড়া পরিষ্কার-পরিচ্ছন্নতার কাজে ছেড়ে দেওয়া ঠিক হবে না।
ব্যবহারিক মূল্যায়নের ক্ষেত্রে এখানে শুধু প্রতিটি কাজের সেরা ফলাফলই গুরুত্বপূর্ণ নয়। মানদণ্ড হলো মানুষের হস্তক্ষেপ ছাড়া কাজ পুরোপুরি সম্পন্ন করা; প্রকাশিত পরীক্ষার ফল এখনো স্বয়ংক্রিয়ভাবে পরিষ্কার-পরিচ্ছন্নতার কাজ করার প্রস্তুতি নিশ্চিত করে না।
সাধারণ প্রশ্নোত্তর
বিভিন্ন উপাদান
সব উপাদান
MathAdv: মেশিন-উৎপন্ন প্রমাণের চূড়ান্ত নির্ভুলতার আড়ালে কী লুকিয়ে আছে
গণিতের ১৩টি বিশ্ববিদ্যালয় ও স্নাতকোত্তর শাখার কাজ নিয়ে তৈরি এই ডায়াগনস্টিক সেটটি Lean 4-এ মেশিন প্রুফ সিস্টেমকে শুধু চূড়ান্ত ফলাফলের ভিত্তিতে নয়, বিষয়জ্ঞান, অনানুষ্ঠানিক যুক্তির গুণমান এবং শর্তাবলি নতুনভাবে উপস্থাপন করা হলে তা সামাল দেওয়ার সক্ষমতার ভিত্তিতেও মূল্যায়ন করে। উপাদানভিত্তিক বিশ্লেষণে দেখা যায়, কোনো সমস্যাকে আনুষ্ঠানিক রূপে রূপান্তর করা এখনও প্রধান বাধা; আর সাফল্য গণিতের শাখা ও সমস্যা উপস্থাপনের পদ্ধতির ওপর অনেকটাই নির্ভর করে।
9 নভেম্বর 2026
AffordanceWAM: দৃশ্য পূর্বাভাস ও ম্যানিপুলেটর নিয়ন্ত্রণের মধ্যস্থতাকারী হিসেবে অ্যাফোর্ড্যান্সগুলি
এই কাজটিতে এমন একটি জেনারেটিভ মডেলের বর্ণনা দেওয়া হয়েছে, যা একই সঙ্গে ভবিষ্যতের RGB পর্যবেক্ষণ, স্কেলার ফিল্ড ও অ্যাফোর্ড্যান্সের হিটম্যাপ এবং রোবটের অবিচ্ছিন্ন কমান্ড পূর্বাভাস দেয়। অ্যাকশন অ্যানোটেশন ও রিটার্গেটিং ছাড়াই মানুষের ভিডিও ব্যবহার করে এটি পারস্পরিক ক্রিয়ার বৈচিত্র্য বাড়ায়। RoboCasa, CALVIN ABC→D এবং বাস্তব কাজগুলোতে, শুধু RGB ও শুধু রোবটের ডেটার ওপর ভিত্তি করে তৈরি বেসলাইনগুলোর তুলনায় এই পদ্ধতি ধারাবাহিকভাবে ভালো ফল দেয়।
9 নভেম্বর 2026
নিয়ন্ত্রিত অপারেশন হিসেবে প্রেজেন্টেশন সম্পাদনা: EditPPT ফ্রেমওয়ার্ক এবং DeckEdit-Bench বেঞ্চমার্ক
লেখকেরা কোডের অবাধ জেনারেশনের বদলে স্লাইড সম্পাদনাকে নির্দিষ্ট অবজেক্ট, অনুমোদিত কার্যকলাপ এবং বাইরের বিষয়বস্তু অপরিবর্তিত রয়েছে কি না তা যাচাই করার ভিত্তিতে বিশ্লেষণ করেছেন। গুণমান পরিমাপের জন্য তৈরি করা হয়েছে DeckEdit-Bench (মানুষের তৈরি 28টি প্রেজেন্টেশনে 183টি কাজ), আর পাঁচটি বেস মডেলে মাল্টি-এজেন্ট পদ্ধতি EditPPT 97%-এর বেশি বিষয়বস্তু অক্ষত রেখে 66,7–74,9% কাজ সফলভাবে সম্পন্ন করে।
8 নভেম্বর 2026