Figure menguji Helix 2.5 di 30 rumah: robot menyelesaikan sepenuhnya 237 dari 420 tugas
Robot itu melipat handuk, merapikan tempat tidur, dan mengumpulkan mainan di rumah-rumah yang belum pernah dikunjunginya. Pengujian menunjukkan bahwa keterampilan dapat diterapkan di ruangan baru, tetapi 183 tugas yang belum selesai dan penilaian hasil oleh Figure sendiri masih belum memungkinkan sistem ini dianggap siap untuk membersihkan rumah secara mandiri.

Apa yang diuji
Di 30 rumah yang belum pernah dikunjungi di kawasan Teluk San Francisco, Helix 2.5 menjalankan tiga tugas: melipat handuk, merapikan tempat tidur, dan mengumpulkan mainan.
Figure tidak mengumpulkan data terlebih dahulu di rumah-rumah tersebut. Satu versi model digunakan di semua ruangan: model tidak dilatih lebih lanjut di lokasi dan tidak diubah setelah percobaan sebelumnya.
Perusahaan menyebut eksperimen ini zero-shot. Rumah dan benda-bendanya memang baru, tetapi tugasnya bukan: model telah dilatih sebelumnya menggunakan rekaman dari ruangan lain.

Cara keberhasilan dinilai
Uji coba mencakup 420 tugas. Tidak ada nilai parsial: robot harus menyelesaikan tugas sepenuhnya.
- Mainan: memasukkan semua 13–15 benda ke dalam keranjang.
- Handuk: melipat semua handuk.
- Tempat tidur: meletakkan dua bantal di atasnya, menarik sudut atas selimut, lalu meratakannya.
Intervensi manusia demi keselamatan berarti kegagalan. Karena itu, skor akhir hanya mencerminkan tugas yang diselesaikan sepenuhnya tanpa intervensi tersebut.
Berapa banyak tugas yang diselesaikan robot
Helix 2.5 berhasil menyelesaikan 237 dari 420 tugas. Robot ini paling baik dalam merapikan tempat tidur dan paling buruk dalam mengumpulkan mainan.
| Tugas | Percobaan berhasil | Persentase keberhasilan |
|---|---|---|
| Merapikan tempat tidur | 94 dari 140 | 67% |
| Melipat handuk | 87 dari 140 | 62% |
| Mengumpulkan mainan | 56 dari 140 | 40% |
Sebagai perbandingan, Figure melatih sistem menggunakan data khusus yang sama, tetapi memulai dari pengaturan acak, tanpa pelatihan sebelumnya pada Index. Versi ini menyelesaikan 35 dari 420 tugas. Diagram Figure menunjukkan 8%, sedangkan teks yang menyertainya menunjukkan 9%.
Index adalah kumpulan rekaman tindakan manusia milik Figure. Data untuk masing-masing dari tiga tugas mencakup tidak lebih dari 1,9% dari kumpulan ini.
Apa arti hasil ini bagi kesiapan untuk digunakan di rumah
Penilaian dilakukan oleh Figure sendiri; sejauh ini belum ada pengulangan hasil secara independen. Perusahaan juga belum menyebutkan kapan versi rumahan akan dirilis atau tingkat kegagalan yang dapat diterima.
Dari 420 tugas, robot gagal menyelesaikan 183 tugas. Figure menilai bahwa dengan jumlah kegagalan sebanyak itu, masih terlalu dini untuk membiarkannya membersihkan rumah tanpa pengawasan.
Untuk penilaian praktis di sini, yang penting bukan hanya hasil terbaik pada tugas tertentu. Kriterianya adalah penyelesaian tugas secara tuntas tanpa intervensi manusia; pengujian yang telah dipublikasikan sejauh ini belum membuktikan kesiapan untuk membersihkan rumah secara mandiri.
Pertanyaan yang sering ditanyakan
Bahan terkait
Semua bahan
MathAdv: Apa yang Tersembunyi di Balik Akurasi Akhir Pembuktian Mesin
Kumpulan tugas diagnostik dari 13 bidang matematika tingkat universitas dan pascasarjana ini mengevaluasi sistem pembuktian otomatis di Lean 4 tidak hanya berdasarkan hasil akhir, tetapi juga penguasaan materi, kualitas penalaran informal, dan ketahanan terhadap perumusan ulang soal. Analisis per komponen menunjukkan bahwa menerjemahkan soal ke dalam bentuk formal masih menjadi kendala utama, sementara tingkat keberhasilan sangat bergantung pada bidang matematika dan cara soal dirumuskan.
9 November 2026
AffordanceWAM: affordance sebagai perantara antara prediksi adegan dan kendali manipulator
Karya ini menjelaskan model generatif yang secara bersamaan memprediksi observasi RGB masa depan, medan skalar dan peta panas affordance, serta perintah robot kontinu, dengan memanfaatkan video manusia untuk memperluas keragaman interaksi tanpa anotasi tindakan dan retargeting. Pada RoboCasa, CALVIN ABC→D, dan tugas dunia nyata, pendekatan ini memberikan peningkatan yang konsisten dibandingkan baseline yang hanya menggunakan RGB dan yang hanya menggunakan data robot.
9 November 2026
Penyuntingan presentasi sebagai operasi terkontrol: kerangka kerja EditPPT dan benchmark DeckEdit-Bench
Para penulis membahas pengeditan slide berdasarkan objek tertentu, tindakan yang diizinkan, dan pemeriksaan bahwa konten yang tidak terkait tetap tidak tersentuh, alih-alih menghasilkan kode secara bebas. Untuk mengukur kualitas, mereka membuat DeckEdit-Bench (183 tugas pada 28 presentasi buatan manusia), dan skema multiagen EditPPT pada lima model dasar menunjukkan tingkat keberhasilan 66,7–74,9% tugas dengan tingkat keutuhan di atas 97%.
8 November 2026