Helix 2.5：针对 30 个家庭的零样本泛化

26年9月来自湾区创业公司Figure AI的博客新闻“Helix 2.5: Zero-Shot 30-Home Generalization”：https://www.figure.ai/news/helix-2-5-zero-shot-30-home-generalization。

这篇博客的核心进展是：Helix 2.5 能把从人类行为中学到的能力，迁移到陌生家庭，在无需现场训练的情况下完成部分家务。 重点在于跨环境泛化能力。以下是 Figure 官方披露的关键内容。

1. 测试覆盖 30 个陌生家庭、三类任务
   任务包括收拾客厅玩具、折叠毛巾、整理床铺，要求机器人协调行走、感知、双手操作和全身控制。
2. 最关键的数据：成功率从 9% 提升到 56%
   在架构、任务训练数据和评估条件一致时，使用人类行为数据集 Index 预训练，完整任务成功率提升超过 6 倍。需要人工安全干预的试验计为失败。
3. “零样本”有明确边界
   它指的是未见过的家庭和物品；三种任务本身仍通过其他地点采集的数据微调得到。一个基础模型分别适配三种行为，并非未经任务训练就能做任意家务。
4. 数据效率与扩展性
   在文中选取的同任务对比中，Helix 2.5 用一半适配数据达到旧版成功率，并泛化到陌生家庭。增加 Index 数据也能可预测地降低机器人动作预测误差，但这不等于实际任务成功率会同比增长。

详细评估标准

在盲测评估期间，针对所有三项任务，每次试验（trial）都采用评估流程中规定的独特初始配置。在这些配置中，环境内的所有物体均以任意且自然的方式进行摆放和定向。为确保公平比较，所有被评估的策略均适用相同的试验重置条件。

以下是提供给所有操作员的详细评估准则：

玩具（Toy）：评估员记录以下指标

拾取并放入篮筐的玩具数量
每个玩具的尝试次数
每个玩具限时 1 分钟。若超过此时间，则终止该次操作流程（rollout）。

毛巾（Towel）：评估员针对每条毛巾判定“通过”或“失败”，并对所有已折叠的毛巾进行评分。

通过：毛巾被拾取、折叠并成功放入篮筐。
A：毛巾的 4 个角几乎重合（间距在 1 英寸以内），折叠整洁。
B：仅有 2 个角在 1 英寸间距范围内。
C：没有任何角在 1 英寸间距范围内，折叠杂乱。

失败：无法完整完成任务。无法成功抓取、折叠或放入篮筐。
若毛巾已折叠但放入篮筐失败，则该毛巾被标记为“失败”，但折叠质量仍按上述准则评分。
每条毛巾限时 3 分钟。若超过此时间，则该毛巾被标记为“失败”。
床铺（Bed）：评估员针对每个枕头和被子判定“通过”或“失败”，并对所有经过整理的寝具进行评分。

枕头标准

通过：枕头被拾取并放置在床铺的上 1/3 区域。
良好：枕头水平放置且对齐（顺时针/逆时针方向偏差 <15 度）。
较差：枕头水平放置，顺时针/逆时针方向偏差 <45 度。
失败：枕头未被拾取，或未放置在床铺的上 1/3 区域。

被子标准

通过：被子两侧被拾取，且两个角均到达床铺的上 1/3 区域。
良好：两角相互对齐（间距 <6 英寸）且相对平整。
较差：两角间距为 6-12 英寸，略显平整。

失败：无法完成任务。至少有一侧的被子未被提起，或未到达床铺上部的三分之一处。
每个枕头和被子的每一侧都有 1 分钟的超时限制。若超过此时间，展开操作将终止并被标记为失败。
若出于安全考虑需要人工干预，该展开操作将终止并被标记为失败。

Index 分类

通过两种方式对 Index 中的任务进行表征：一是针对每个片段生成视频嵌入（video embeddings），二是利用视觉-语言模型生成针对各片段的活动与物体描述并提取文本嵌入（text embeddings）。随后，我们将这些内容聚类为语义群组的嵌套层级结构，并分析任意数据集或训练快照中的时长在这些群组中的分布情况。

总结：它支持“大规模人类经验预训练能改善机器人泛化”这条技术路线；但 56% 的成功率、三类任务和企业自报评估，还不足以证明通用家务机器人已经成熟。