Figure Memperkenalkan Helix 2.5, Diuji Zero-Shot di 30 Rumah yang Belum Dilihat

Figure memperkenalkan Helix 2.5 pada 17 September 2026, sebuah jaringan saraf humanoid yang dilatih sebelumnya pada dataset Index perusahaan yang berisi perilaku manusia dan dievaluasi di 30 rumah di Bay Area tanpa data yang dikumpulkan di mana pun. Figure melaporkan bahwa pra‑pelatihan Index meningkatkan keberhasilan zero-shot dari 9% menjadi 56% dalam perbandingan terkontrol melawan kebijakan identik lainnya yang dilatih dari awal.

Figure menggambarkan Helix 2.5 sebagai jaringan saraf paling canggih yang pernah dibangunnya. Dari satu model dasar yang dipra‑latih dengan Index, perusahaan menghasilkan tiga perilaku seluruh tubuh: merapikan ruang tamu, melipat handuk, dan merapikan tempat tidur. Sistem Helix 02 sebelumnya mengoordinasikan kontrol seluruh tubuh selama jangka panjang, termasuk menurunkan piring dari mesin pencuci piring dan menjalankan tugas logistik secara otonom selama 200 jam, namun ia belajar dari data yang dikumpulkan di lokasi tempat robot beroperasi.

Desain Evaluasi dan Rubrik Penilaian

Figure mendefinisikan zero-shot sebagai mengacu pada lingkungan evaluasi dan objek yang dimanipulasi; setiap perilaku ditentukan melalui data fine‑tuning yang dikumpulkan di tempat lain. Tidak ada mainan, handuk, atau perlengkapan tempat tidur yang muncul dalam data spesifikasi tugas, dan robot menggunakan sofa, tempat tidur, dan permukaan melipat yang sudah ada di masing‑masing rumah. Objek evaluasi disisihkan sebelum percobaan dimulai, dan sebuah model AI yang kemudian ditinjau manusia memastikan bahwa objek tersebut tidak muncul dalam data spesifikasi tugas.

Setiap tugas menggunakan satu checkpoint tetap di semua 30 rumah. Tidak ada bobot yang disesuaikan untuk rumah atau objek evaluasi, dan tidak ada data rollout evaluasi atau kinerja yang digunakan untuk pemilihan checkpoint. Keberhasilan mengharuskan menyelesaikan seluruh tugas tanpa kredit parsial. Setiap percobaan dimulai dari konfigurasi awal yang unik, dengan kondisi reset diterapkan secara identik pada semua kebijakan yang dievaluasi, dan setiap intervensi manusia demi keamanan menghentikan rollout dan menandainya gagal.

Penilai bekerja berdasarkan kriteria yang ditetapkan sebelum evaluasi dimulai. “Living Room Tidy” mengharuskan semua 13–15 mainan yang tersebar di adegan diangkat dan ditempatkan dalam keranjang, dengan batas waktu satu menit per mainan sebelum rollout dihentikan. “Towel Folding” mengharuskan setiap handuk diangkat, dilipat, dan ditempatkan dalam keranjang, dengan kualitas lipatan dinilai berdasarkan keselarasan sudut — nilai tertinggi memerlukan keempat sudut hampir bersentuhan dalam jarak satu inci — dan batas waktu tiga menit per handuk. “Bed Making” mengharuskan kedua bantal serta kedua sudut selimut mencapai sepertiga atas tempat tidur dengan selimut ditarik rata, dengan bantal juga dinilai berdasarkan orientasi dan batas waktu satu menit diterapkan pada setiap bantal dan setiap sisi selimut.

Mengisolasi Efek Pra‑Pelatihan Index

Untuk mengukur seberapa banyak hasil yang berasal dari Index bukan dari data spesifikasi tugas itu sendiri, Figure melatih dua kebijakan pada data spesifikasi tugas yang identik, satu diinisialisasi dengan bobot acak dan yang lainnya diinisialisasi dari model Helix 2.5 yang dipra‑latih dengan Index. Arsitektur, optimisasi, hyperparameter, data hilir, dan evaluasi dipertahankan tetap, menjadikan pra‑pelatihan Index satu‑satunya variabel eksperimental. Helix 2.5 sendiri dipra‑latih dari inisialisasi acak sepenuhnya pada Index, berbeda dengan Helix 02 yang dimulai dari model visi‑bahasa yang sudah dipra‑latih.

Dalam evaluasi buta, kebijakan yang dilatih dari awal berhasil pada 9% percobaan zero-shot, sementara kebijakan yang dipra‑latih dengan Index berhasil pada 56%, selisih yang Figure gambarkan lebih dari enam kali lipat. Karena pra‑pelatihan adalah satu‑satunya variabel, perusahaan menyatakan bahwa selisih tersebut secara langsung mengukur kontribusinya. Figure melaporkan bahwa tidak ada satu tugas evaluasi pun yang mencakup lebih dari 1.90% dataset pra‑pelatihan Index, dan menyatakan bahwa, menurut pengetahuan mereka, pekerjaan ini merupakan demonstrasi pertama generalisasi seluruh tubuh zero-shot pada skala ini pada humanoid.

Efisiensi Data dan Hukum Skala Transfer

Figure juga membandingkan Helix 2.5 dengan kebijakan Helix 02 sebelumnya yang dilatih untuk melakukan tugas yang sama menggunakan data yang dikumpulkan langsung di lingkungan tempat evaluasi. Perusahaan melaporkan bahwa Helix 2.5 menyamai tingkat keberhasilan kebijakan tersebut sambil menggunakan setengah jumlah data adaptasi, dan melakukannya zero-shot di 30 rumah yang belum dilihat. Figure juga menggambarkan peningkatan kualitatif dalam koreksi diri seluruh tubuh, seperti melangkah mundur untuk mengubah posisi, mengubah sikap, atau bergerak mengelilingi tempat tidur penuh untuk memperbaiki lipatan, menyebutnya sebagai efek penting dari pra‑pelatihan Index.

Secara terpisah, perusahaan melatih empat model pada subset bersarang dari Index yang mencakup peningkatan 8× dalam data pra‑pelatihan, dengan ukuran model dan pelatihan hilir tetap, dan melaporkan bahwa loss prediksi aksi yang ditahan turun secara dapat diprediksi dengan setiap penggandaan data Index. Figure menyatakan bahwa mereka hanya menggunakan run yang lebih kecil untuk memprediksi loss tes run terbesar hingga empat tempat desimal sebelum pelatihan dimulai, dengan kesalahan perkiraan sebesar 0.54% dari variasi sepanjang rentang data 8× penuh. Perusahaan menggambarkan hasil ini sebagai, menurut pengetahuan mereka, hukum skala transfer manusia‑ke‑robot pertama yang diukur pada humanoid, sambil mencatat bahwa ini hanya mengukur skala data.

Dataset Index di Balik Helix 2.5

Figure memperkenalkan Index pada 25 Agustus 2026, keluar dari fase stealth dan mengganti merek aplikasi pengumpulan data yang diluncurkan empat bulan sebelumnya, serta menggambarkannya sebagai dataset pelatihan robot paling beragam yang pernah dibuat. Dalam pengumuman itu, Figure melaporkan 264.000 unduhan aplikasi di 108 negara, lebih dari 44.000 pengguna aktif mingguan, lebih dari 16 juta video yang diunggah oleh Para Kreator yang mengumpulkan data, $15 juta dibayarkan kepada para Kreator tersebut, dan 30 menit unggahan video diproses setiap detik. Per 1.000 jam yang dikumpulkan, perusahaan mengatakan Index berisi 373 tugas unik, 1.146 objek yang dimanipulasi secara unik, dan 116 lingkungan unik, yang diproses melalui pipeline lima tahap: penyaringan, peninjauan penipuan, deduplikasi, penyeimbangan ulang, dan anotasi.

Pengumuman Helix 2.5 menyatakan bahwa Index kini menghasilkan sekitar 35 menit pengalaman manusia baru setiap detik, dan bahwa Figure telah mengalokasikan $3,5 miliar komputasi untuk melatih Helix. Perusahaan menutup pengumuman tersebut dengan menyatakan bahwa mereka sedang merekrut untuk pekerjaan pada kecerdasan fisik umum.