Figure的56%新标尺，掀起具身们的泛化验证大考- 大数跨境

首页

Figure的56%新标尺，掀起具身们的泛化验证大考

潮涌AI

2026-09-18

导读：宇树、智元们该如何接招？

©潮涌AI编辑部

文｜盐

旧金山湾区的三十户人家，在今年八月把房子交给了同一台机器人，这些房子Figure在训练时一间都没进去过，屋里的沙发、床、折叠台面都是主人自己的。

机器人一次只做一件事，可能是把客厅里散落在地的十几件玩具一件不落地收进篮子，也可能是把毛巾全部折好放进篮子，或者是把两个枕头和被角都摆到床的上三分之一处，做哪件由评测方抽定。

没有部分得分，任务没做完算失败，中途有人介入保护也算失败。

举办这场考试的正是Figure AI。

Figure AI测试

9月17日，Figure发布Helix 2.5，搭载在Figure 03上。

420次尝试，完成237次。人形机器人的泛化能力，从某种意义上来看，任务成功率从9%提升到了56%。

“泛化”早已是具身智能公关话术里的万能形容词，这一次，Figure以可验证的技能展示重新定义了讨论基准，而国内具身玩家又能拿什么接这一记实招？

从9%到56%

56%这个数字，且需要拆开来看。

铺床94/140，67%；折毛巾87/140，62%；收玩具56/140，40%。三十户房子共用同一个模型checkpoint，没有针对任何一户做适配，评测方式是盲测。

Figure划的零样本边界是，房子和被操作的物体都没见过，三种行为本身还是在别处数据上教会的。

Figure AI测试

这组数字背后有这样一场对照实验：Figure用同一批任务数据训练两个策略，一个从随机权重起步，一个从Index预训练的Helix 2.5起步，架构、优化器、超参数、下游数据和评测方式全部锁死，唯一差别是有没有Index预训练。

用了Index的策略零样本成功率约56%，从零训练的策略只有9%，差六倍多。Index数据集里，没有任何一个评测任务占到1.90%以上。

Figure给这件事的定性是，据其所知，这是人形机器人上首次在这个规模上实现零样本全身泛化。

它同时说明Helix 2.5从随机初始化开始、完全在Index上预训练，上一代Helix 02的起点则是一个预训练好的视觉语言模型。

数据量的账也被摊开在台面上。

相比前代Helix 02，Helix 2.5只用了一半的任务专用数据，就把同一套行为铺到了三十倍数量的环境里。

更关键的是Figure给出了一条scaling曲线。

四个模型跑在Index的嵌套子集上，预训练数据量跨度八倍，模型规模和下游训练保持不变。只用小规模那几次的结果，就能在训练开始前预测最大规模那次实验的测试损失到小数点后四位，预测误差只有整个八倍数据区间波动的0.54%。

Figure称这是第一个在人形机器人上测出来的人到机器人迁移scaling law。

这套逻辑的地基是8月25日推出的Index，公司称每秒产生约35分钟新的人类行为数据，累计收集超过1600万段视频，向贡献者支付了1500万美元。

Figure在9月3日与Nscale签下多年协议，初期承诺35亿美元算力、锁定最高10万块英伟达Vera Rubin平台的GPU，合同规模最高可到60亿美元，首批GPU计划2027年下半年在得州部署。

它的技术底子是Helix的双系统架构。S2是慢脑，负责理解任务和规划；S1是快脑，在初代Helix里以每秒200次的频率实时控制上半身关节；2026年1月发布的Helix 02把S1的控制扩展到全身，又加了一层S0小脑，专门管平衡和全身协调。

这次“全身泛化”的全身，指机器人在陌生房间里要蹲下、绕开床走、换站姿重新发力，不只是手在动。

Figure AI测试

但这份结果仍需要辩证看待，评测是Figure自己跑的，没有第三方独立验证，56%也意味着还有44%的尝试没做完。

创始人Brett Adcock在发布视频里说这是Figure做过最重要的项目，他另外放出近四小时拍摄素材，但那也不是420次评测的完整记录。就好比5月那场分拣直播，有观众指出约半秒动作延迟和疑似遥操作的摸头动作，公司否认远程操控，但没有放出后台数据。

王兴兴给的尺子是80%

宇树科技创始人王兴兴8月20日在世界机器人大会的主旨演讲里，把行业最大的瓶颈直接点成了泛化能力不够。

他说固定场景下经过充分采集和训练的模型，任务成功率接近100%，但一旦更换操作物品或环境，成功率就大幅下降，每次出现新任务都要重新训练，适配成本很高。

王兴兴给了大众一把尺子，把一台机器人带进80%的陌生场景，仅靠语音或文字指令就能完成约80%的任务，产业才算走到爆发的临界点。

他的判断是快则两到三年，慢则五到十年。

2026年世界机器人大会王兴兴

至于卡在哪里，他的说法是偏差累积，语言模型的输入输出都限制在向量空间内几乎没有损耗，机器人每一次感知、决策、执行都会引入偏差，任务大方向对，最后几毫米却修不回来。

用这把尺子量，Figure这次交出的是56%，而国内具身公司交出的数字则要分散得多。

银河通用创始人王鹤给过一个相近的定义。他说的具身智能ChatGPT时刻，是机器人在普通人不用专门学的任务上达到70%到80%成功率，他预计的时间点是2028年。

智元机器人9月9日发布GE-Act 2.0，用300小时、1200小时、5000小时、3万小时四档数据训练，训练后不针对测试任务做微调或示范，直接让机器人面对陌生物体。机器人取得非零成功率的任务数从39项增到76项，整体成功率从17.1%升到44.1%，数据加到3万小时仍未饱和。带数据的泛化scaling曲线公开得不多，这是其中一条。

千寻智能走的则是第三方榜单。1月它的Spirit v1.5在RoboChallenge三十项真机任务里拿到66.09分、成功率50.33%，超过霸榜数月的π0.5，是唯一成功率过半的模型；6月Spirit v1.6在RoboArena登顶，超过英伟达Cosmos3和Physical Intelligence的π0.5。不过这个榜首后来起了争议，有观察者指出评测记录里七成以上的分数来自两个账号，RoboArena回滚了存疑数据并更新排名，Spirit v1.6随之被移出榜单，千寻方面至今没有公开回应。宁德时代产线上，它的机器人做高压测试插头插接，成功率稳定在99%以上。

银河通用的AstraBrain-WBC 0.5用2万小时人类动作数据、8040万参数，称在真机上实现了大量未见动作的零样本执行。但需要分开看，它8月在世界机器人大会现场展示的全身运动控制泛化，官方标注是遥操作演示。

松延动力9月15日发布的HERON-CRA做了跨本体泛化，同一套模型分别驱动机械臂和轮式人形，叠袜子首测成功率38.5%，开强化学习后97.8%，两个数都是公司自测。

星海图的G0.5在DROID基准上零样本十个桌面任务平均成功率82.5%，逐任务优于π0.5；8月世界机器人大会上的前置仓，观众在线下单后机器人自主识别、规划、抓取、撑袋打包，展会期间累计完成900单。

加速进化在第二届世界人形机器人运动会上让80台机器人自主变换队形，创始人程昊把它和群控切开，说每台机器人靠自己的激光雷达算下一步怎么走。清华大学赵明国团队用它家的Booster T1做的足球研究登上8月《Science Robotics》，在草地、石板、土壤、沥青上零样本部署，前场射门成功率约90%……

速进化Booster T2人形机器人

喧嚣的数字背后，一场关于“泛化”的诚实度测试正在展开。

当Figure用56%划定及格线，国内玩家们或攀数据scaling曲线，或登顶第三方榜单，或深耕场景纵深——答案或许不在某个惊艳的百分比，而在谁能率先跨越从“演示”到“日常”的鸿沟。

账面上还没有的部分

与此同时，关于数据规模的账，国内各家口径不一。

智元的AgiBot World累计超过100万条轨迹、217个任务；星海图的GOD是500小时真机数据、10万条轨迹；千寻智能累计超20万小时，2026年目标100万小时；它石智航称WIYH数据集规模超百万小时、覆盖数万场景……没有一家公开过可核验的真机数据小时账目，也没有一家公布人类行为视频的采集规模。

接管比例更是一道严峻的考验。

星海图在生产环境里保留了人工接管机制，接管产生的数据回流训练；自变量创始人王潜说家庭服务“并不意味着所有任务都能百分之百由AI自主完成，必要时仍需远程人员兜底”；银河通用创始人王鹤说，机器人还很难直接适配千行百业，不同任务仍需相应后训练……