Figure 在 30 个家庭中测试了 Helix 2.5:机器人完全完成了 420 项任务中的 237 项
机器人在此前从未到访过的家中叠毛巾、铺床并收拾玩具。测试表明,这些技能可以迁移到新的房间,但183项未完成的任务以及由 Figure 自行评估的结果,目前还不足以证明该系统已能独立完成清洁工作。

测试内容
在旧金山湾区 30 户陌生人家中,Helix 2.5 执行了三项任务:叠毛巾、铺床和收玩具。
Figure 事先没有在这些房屋中收集数据。所有房间都使用同一个模型版本:模型没有在现场进行微调,也没有根据此前的尝试进行调整。
公司称这项实验为零样本测试。房屋和物品都是新的,但任务本身并不新:模型此前已接受过来自其他房间的记录训练。

如何判定成功
测试共包括 420 项任务。不计部分得分:机器人必须完整完成任务。
- **玩具:**将全部 13–15 件物品收进篮子。
- **毛巾:**叠好所有毛巾。
- **床:**在床上放好两个枕头,拉好被子的上角并将其抚平。
出于安全原因而需要人类介入,即判定失败。因此,最终得分只统计在没有此类介入的情况下完整完成的任务。
机器人完成了多少项任务
Helix 2.5 完整完成了 420 项任务中的 237 项。它最擅长铺床,收玩具则表现最差。
| 任务 | 成功次数 | 成功率 |
|---|---|---|
| 铺床 | 140 项中成功 94 项 | 67% |
| 叠毛巾 | 140 项中成功 87 项 | 62% |
| 收玩具 | 140 项中成功 56 项 | 40% |
作为对比,Figure 使用同样的专用数据训练了一个系统,但从随机设置开始,没有在 Index 上进行预训练。这个版本完成了 420 项任务中的 35 项。Figure 的图表显示为 8%,而配套文字显示为 9%。
Index 是 Figure 收录人类动作记录的数据集。这三项任务各自的数据在该数据集中所占比例均不超过 1.9%。
这些结果对家庭使用准备情况说明了什么
评估由 Figure 自行进行,目前还没有独立复现结果。公司也没有说明家用版本的推出时间或可接受的故障频率。
在 420 项任务中,机器人有 183 项未能完成。Figure 认为,鉴于失败次数如此之多,现在还不适合让它在无人看管的情况下打扫卫生。
在评估实际表现时,不能只看个别任务的最佳成绩。评判标准是:在没有人类介入的情况下完整完成任务;目前公布的测试尚不能证明它已具备独立打扫卫生的能力。
常问问题
相关材料
所有材料
通过 SQL 视图检查 LLM 幻觉,无需微调
这项研究考察了 LLM 能否运用一项基础的符号技能——根据源文档构建 SQL 数据库——在幻觉检测中实现无监督的来源归因。在 RAGTruth 和 DiaHalu 上,这种神经符号流程比直接预测更准确,且性能可与先进方法相媲美,无需针对特定领域进行微调。
9 十一月 2026
MathAdv:机器证明的最终准确率隐藏着什么
这套涵盖大学及研究生阶段 13 个数学分支的诊断性任务集,不仅根据最终结果评估 Lean 4 中的机器证明系统,还考察其学科知识、非正式推理质量以及对题目改写的适应能力。分项分析显示,将题目转化为形式化表达仍然是主要障碍,而成功与否在很大程度上取决于数学领域和题目的表述方式。
9 十一月 2026
AffordanceWAM:可供性作为场景预测与机械臂控制之间的桥梁
该工作介绍了一种生成模型,可同时预测未来的 RGB 观测、标量场、可供性热图和机器人的连续动作指令;该模型利用人类视频扩展交互多样性,无需动作标注或动作重定向。在 RoboCasa、CALVIN ABC→D 和真实任务中,该方法相比仅使用 RGB 数据和仅使用机器人数据的基线均取得了稳定提升。
9 十一月 2026