摘要：
2026年9月17日，Figure推出Helix 2.5，一款全身人形机器人VLA基础模型。它让人形机器人在从未采集过数据的陌生家庭中完成整理客厅、折叠毛... 2026年9月17日，Figure推出Helix 2.5，一款全身人形机器人VLA基础模型。它让人形机器人在从未采集过数据的陌生家庭中完成整理客厅、折叠毛巾、铺床等长时序家务，零样本全身任务成功率达56%。
零样本泛化：30户陌生家庭，不做任何适配
Figure在旧金山湾区租下30套房屋，房间布局、家具与待操作物体均未进入训练数据。机器人到达后不做任何数据采集、微调或适配，仅凭同一份模型权重完成三类长时序任务。整理客厅要求把13至15件玩具逐一放入篮子，折叠毛巾要求四角在一英寸内对齐，铺床要求摆正枕头并把被子两侧拉平。每个动作都需要全身站位、行走与手臂配合。
Index预训练：数据翻倍，损失平滑下降
泛化能力主要来自Index人类行为数据集预训练。在任务数据、模型架构、训练与评测条件全部固定的前提下，仅改变初始化方式，零样本成功率就从9%提升到56%。Figure发现，Index数据量每翻一倍，动作预测损失都呈平滑下降，并据此在最大规模训练开始前就把损失预测到小数点后四位。
全身自我纠错与更低数据依赖
在陌生环境中，Helix 2.5表现出明显的自我纠错能力：抓取失败时可以后退重新定位、变换站姿，或绕床移动到另一侧修正折叠。与上一代Helix 02相比，它只用了约一半的任务专用数据，就把同一行为泛化到30个全新环境，行为规格成本降低约一半、覆盖面扩大约30倍。
与同类具身模型的对比
在AI工具导航的具身智能分类中，Helix 2.5的定位是闭源全身VLA基础模型，与开源路线形成对比。宇树UnifoLM-WLA-1.0以6B参数、约2500小时真机数据训练，权重、代码、数据集全开源，单模型统筹64项任务；Physical Intelligence的π0.5约3.3B参数，基于约400小时移动操作数据，在轮式双臂平台验证泛化。三者都在追求开放世界泛化，但侧重点不同：Helix 2.5面向双足人形全身长时序任务，强调陌生家庭零样本表现；UnifoLM走全开源路线；π0.5公开基础模型与流程。选型取决于目标机器人形态以及是否要求开源。
应用场景与获取方式
家庭服务是核心场景，验证人形机器人走入真实家庭的可行性；物流与仓储可迁移全身泛化能力到分拣、搬运；具身智能研发可参考其Index预训练路线与数据缩放规律。适用人群包括人形机器人研究者、机器人厂商算法与产品团队，以及评估家务型机器人落地节奏的行业观察者。
Helix 2.5目前尚未对外开放，未开源、未公布定价。完整实验说明、演示视频与结果数据可通过Figure官方发布页查看。开发者可关注Index数据集公开进展——该数据集于2026年8月25日上线，累计下载26.4万次、周活跃用户超4.4万、上传视频超1600万条，Figure已向数据贡献者支付1500万美元。对于关注AI模型库的开发者，Helix 2.5的闭源策略意味着无法直接调用，但Index数据集提供了人类行为预训练的参考路径。