Figure проверила Helix 2.5 в 30 домах: робот полностью выполнил 237 из 420 заданий

16 октября 202610 просмотров

Робот складывал полотенца, застилал кровати и собирал игрушки в домах, где прежде не бывал. Испытания показали, что навыки переносятся на новые помещения, но 183 незавершённых задания и оценка результатов самой Figure пока не позволяют считать систему готовой к самостоятельной уборке.

Figure проверила Helix 2.5 в 30 домах: робот полностью выполнил 237 из 420 заданий

Что проверяли

В 30 незнакомых домах района залива Сан-Франциско Helix 2.5 выполнял три задания: складывал полотенца, застилал кровати и собирал игрушки.

Figure заранее не собирала данные в этих домах. Во всех помещениях работала одна версия модели: её не дообучали на месте и не меняли после предыдущих попыток.

Компания назвала эксперимент zero-shot. Дома и предметы были новыми, но сами задания — нет: модель заранее обучали на записях из других помещений.

Как засчитывали успех

Испытания включали 420 заданий. Частичных баллов не давали: робот должен был полностью выполнить задачу.

  • Игрушки: убрать в корзину все 13–15 предметов.
  • Полотенца: сложить все полотенца.
  • Кровать: положить на неё две подушки, подтянуть верхние углы одеяла и разгладить его.

Вмешательство человека ради безопасности означало неудачу. Поэтому итоговый счёт отражает только полностью завершённые задания без такого вмешательства.

Сколько заданий робот выполнил

Helix 2.5 полностью справился с 237 из 420 заданий. Лучше всего ему давалась работа с кроватями, хуже всего — сбор игрушек.

ЗаданиеУспешные попыткиДоля успехов
Застелить кровать94 из 14067%
Сложить полотенца87 из 14062%
Собрать игрушки56 из 14040%

Для сравнения Figure обучила систему на тех же специализированных данных, но начала со случайных настроек, без предварительного обучения на Index. Эта версия завершила 35 из 420 заданий. Диаграмма Figure показывает 8%, а сопроводительный текст — 9%.

Index — массив Figure с записями человеческих действий. Данные для каждого из трёх заданий занимали не более 1,9% этого массива.

Что результаты говорят о готовности к дому

Оценивание проводила сама Figure; независимого воспроизведения результатов пока нет. Компания также не назвала срок выхода домашней версии и допустимую частоту сбоев.

Из 420 заданий робот не выполнил 183. Figure считает, что при таком числе неудач оставлять его убираться без присмотра пока рано.

Для практической оценки здесь важны не только лучшие результаты по отдельным задачам. Критерий — полное выполнение заданий без вмешательства человека; опубликованная проверка пока не подтверждает готовность к самостоятельной уборке.

Часто задаваемые вопросы

Похожие материалы

Все материалы
MathAdv: что скрывает итоговая точность машинных доказательств
Новости

MathAdv: что скрывает итоговая точность машинных доказательств

Диагностический набор задач по 13 университетским и аспирантским разделам математики оценивает системы машинного доказательства в Lean 4 не только по итоговому результату, но и по владению предметом, качеству неформальных рассуждений и устойчивости к переформулировкам условий. Покомпонентный разбор показывает, что перевод задачи в формальный вид по-прежнему остаётся главным препятствием, а успех сильно зависит от области математики и от способа постановки задачи.

9 ноября 2026
AffordanceWAM: аффордансы как посредник между прогнозом сцены и управлением манипулятором
Исследования

AffordanceWAM: аффордансы как посредник между прогнозом сцены и управлением манипулятором

Работа описывает генеративную модель, которая одновременно прогнозирует будущие RGB-наблюдения, скалярные поля и тепловые карты аффордансов и непрерывные команды робота, используя человеческие видео для расширения разнообразия взаимодействий без аннотаций действий и ретаргетинга. На RoboCasa, CALVIN ABC→D и реальных задачах подход даёт устойчивый выигрыш относительно базовых линий только на RGB и только на роботных данных.

9 ноября 2026
Правка презентаций как управляемые операции: фреймворк EditPPT и бенчмарк DeckEdit-Bench
Новости

Правка презентаций как управляемые операции: фреймворк EditPPT и бенчмарк DeckEdit-Bench

Авторы разбирают редактирование слайдов на конкретные объекты, допустимые действия и проверку того, что постороннее содержимое осталось нетронутым, вместо свободной генерации кода. Для замера качества создан DeckEdit-Bench (183 задачи на 28 человеческих презентациях), а мультиагентная схема EditPPT на пяти базовых моделях показывает успех в 66,7–74,9% задач при сохранности выше 97%.

8 ноября 2026
Figure проверила Helix 2.5 в 30 домах: итоги теста