«Уборка, полотенца, кровать»: Figure показала Helix 2.5, которая работает в 30 незнакомых домах без дообучения

Что показала Figure

Figure представила Helix 2.5 — по заявлению компании, самую продвинутую нейросеть, которую она построила. Модель претрейнена на Index, глобальном датасете человеческого поведения, который Figure собирает через собственное приложение.

Из одной базовой модели, обученной на Index, компания получила три поведения: уборку гостиной, складывание полотенец и застилание кровати. По описанию Figure, вместе они требуют восприятия, локомоции, манипуляции, двуручной координации и управления всем телом — то есть не раскладываются на отдельные подзадачи.

Оценка проходила в 30 реальных домах в районе Bay Area без сбора данных в этих домах, без дообучения и без адаптации к помещениям и объектам. Каждый дом использовался со своей мебелью и поверхностями, а объекты манипуляции в обучающих данных не появлялись.

Figure настаивает на слове «zero-shot» в строгом смысле: незнакомыми были и среда, и объекты, а поведение задавалось данными, собранными в других местах. Именно полное отсутствие адаптации на месте компания называет главным отличием Helix 2.5 от предыдущих систем.

9% против 56%: сколько даёт претрейн

Ключевой эксперимент устроен предельно узко: две политики обучались на одних и тех же данных спецификации задачи, отличалась только инициализация — случайные веса против весов, претрейненных на Index. Архитектура, оптимизация, гиперпараметры, downstream-данные и процедура оценки держались фиксированными.

В слепой оценке политика, обученная с нуля, прошла 9% zero-shot попыток, а политика с Index-претрейном — 56%, то есть более чем в шесть раз больше. Зачёт давался только за полностью выполненную задачу — все предметы убраны, все полотенца сложены, кровать застелена целиком; ни частичного успеха, ни промежуточных баллов в зачёт прогона методика не предусматривает.

Масштаб обучающего набора компания тоже раскрывает: ни одна задача оценки не занимает больше 1,90% претрейнового датасета Index. Это и делает разрыв в 9% против 56% содержательным — эффект даёт широкая база, а не утечка конкретной задачи.

Отдельная деталь: Helix 2.5 обучалась с полностью случайной инициализации исключительно на Index, тогда как Helix 02 стартовала от предобученной vision-language-модели. То есть прирост здесь отнесён именно к данным о человеческом поведении, а не к чужой мультимодальной базе.

Как измеряли успех

Критерии зачёта фиксировались до начала оценки: в уборке гостиной требовалось собрать в корзину все 13–15 разбросанных игрушек, в складывании — сложить все полотенца и убрать их в корзину, в застилании кровати — довести обе подушки и углы одеяла до верхней части кровати и разгладить одеяло.

Тайминги жёсткие: минута на игрушку, три минуты на полотенце, минута на подушку и на каждую сторону одеяла. Превышение таймаута означает прерванный и засчитанный как провал прогон, а необходимость вмешательства человека по соображениям безопасности — автоматический провал.

На каждую задачу использовался один фиксированный чекпойнт для всех 30 домов: веса не подгонялись под дома или объекты, а данные оценки не участвовали в выборе чекпойнта.

По расходу данных результат тоже измерен: Helix 2.5 сравнивали с политикой предыдущего поколения Helix 02, которую обучали на той же задаче данными, собранными прямо в среде оценки. Helix 2.5 повторила её уровень успеха, потратив вдвое меньше данных адаптации, — и сделала это zero-shot в 30 незнакомых домах. Сама Figure формулирует это как «спецификация поведения стала вдвое дешевле, а её охват вырос в 30 раз».

Scaling law переноса «человек → робот»

Отдельный блок работы посвящён масштабированию. Четыре модели обучались на вложенных подмножествах Index с восьмикратным ростом объёма данных, при фиксированном размере модели и неизменном downstream-обучении, после чего сравнивались на одной и той же отложенной задаче предсказания действий.

Потери падали предсказуемо при каждом удвоении данных Index, и по меньшим прогонам удалось предсказать тестовую потерю самого большого прогона до четырёх знаков после запятой ещё до начала обучения. Ошибка прогноза составила 0,54% от разброса на всём восьмикратном диапазоне данных.

Figure называет это первой измеренной на гуманоиде scaling law переноса человеческого опыта в действия робота. Оговорка там же: измеряется только масштабирование данных, размер модели и downstream-обучение зафиксированы.

Практический смысл аккуратно ограничен самой компанией: если перенос ведёт себя предсказуемо, выгоду от следующего удвоения человеческого опыта можно оценить до того, как на нём обучат модель.

Контекст: Index, Helix 02 и компьютер

Index компания представила 25 августа 2026 года: на тот момент — более 264 тысяч загрузок приложения в ста с лишним странах, свыше 44 тысяч недельно активных пользователей и более 16 миллионов загруженных видео. Тогда же Figure сообщила о 30 минутах видео в секунду и о намерении потратить более 1 млрд долларов на данные и вычисления в следующие 12 месяцев.

К 17 сентября счёт идёт примерно о 35 минутах человеческого опыта в секунду, а на каждую тысячу собранных часов в Index приходится 373 уникальные задачи, 1146 уникальных объектов манипуляции и 116 уникальных сред.

Helix 2.5 опирается на предыдущее поколение: Helix 02, показанная в январе 2026 года, дала полный контроль тела и автономные задачи длиной в часы — от разгрузки посудомоечной машины за четыре минуты до логистической операции, выполнявшейся автономно 200 часов, — а её контроллер System 0 заменил 109 504 строки рукописного C++.

Вычислительная часть тоже публична: партнёрство с Nscale на платформе NVIDIA Vera Rubin предусматривает до 100 тысяч GPU с начальным развёртыванием во второй половине 2027 года в Барстоу, Техас, и начальное обязательство в 3,5 млрд долларов с намерением выйти за 6 млрд. На странице Helix 2.5 те же 3,5 млрд долларов компьюта названы вложениями в обучение Helix.

Что здесь не утверждается

Figure прямо оговаривает, что вопрос общей гуманоидной робототехники не решён, а Helix 2.5 — первое свидетельство того, что интеллект всего тела можно выучить на человеческом опыте и перенести в новые сценарии, а не собирать заново в каждом месте.

Улучшение самокоррекции описано качественно, без отдельной метрики: робот отступает, меняет стойку и обходит кровать целиком, чтобы исправить складку, — компания считает это следствием претрейна на Index.

Границы доказательства обозначены в самой работе: разрыв 9% против 56% получен при единственной изменённой переменной, а scaling law измеряет только масштабирование данных, ничего не говоря о влиянии размера модели.