Figure 发布 Helix

背景 视觉-语言-动作模型（vision-language-action model，VLA）把机器人看到的东西、接收到的语言指令和要执行的动作连在一起。对人形机器人来说，难点不只是识别物体，还要把一句话变成许多关节上的连续运动，并且在有限时间内作出反应。模型如果只放在远端服务器上，指令要经过网络传输；模型如果要放在机器人本体上，又会受到功耗和算力的限制。这些是这类系统共同面对的一般性工程问题。

发生了什么 2025年2月20日，Figure 发布了 Helix 的相关公告。^[1] Figure 把 Helix 描述为一种视觉-语言-动作模型。按照 Figure 的说法，Helix 是第一个直接从自然语言控制人形机器人整个上半身的 VLA 模型。^[1] Figure 还称，Helix 是第一个输出人形机器人整个上半身高频连续控制的 VLA 模型。^[1]

关键细节 Figure 对 Helix 给出了多项能力说明。它称 Helix 是第一个同时运行在两台机器人上、完成同一项操作任务的 VLA 模型；这意味着两台机器人需要协同，而不是各自执行互不相关的指令。^[1] 它称装有 Helix 的机器人能够按照自然语言提示，拿起数千件此前没有见过的小型家居物品。^[1] Figure 还说，Helix 是第一个完全在嵌入式低功耗 GPU 上运行的 VLA 模型。^[1] 在机器人本体上运行，意味着模型要处在机器人自身的功耗和计算条件之内；与依赖外部计算设备相比，实时控制会面临更紧的工程约束。

Figure 表示，训练过程中接触过的所有物品都被排除在评估之外，以防止污染。^[1] 这一细节关系到如何检验泛化能力：如果测试物品在训练中出现过，那么在这些物品上的成功就不能说明模型能处理新物品；把训练中处理过的物品排除掉，评估才更接近对陌生对象的测试。

为什么重要 Helix 公告把几项要求放在一起：接受自然语言指令、控制整个上半身、输出高频连续动作、让两台机器人协同、在机器人本体上运行，以及处理未见过的家居物品。^[1] 这些要求各自都不轻松。只会在图像中识别物体，还不足以完成操作；模型必须把语言和感知转成能在一段时间内保持稳定的动作。只控制一条手臂或一个固定场景，也不足以覆盖人形机器人上半身的多关节控制。依赖外部大型计算机的系统，与打算在机器人上运行的系统，是两种不同的工程选择。因此，Figure 的这些说法强调的是系统集成，而不只是某一项单独能力。

影响 从公告本身看，Helix 的定位是让人形机器人的上半身控制更接近通用指令接口：人给出自然语言，模型处理视觉信息并输出连续动作。^[1] Figure 同时强调双机器人协同和本体端低功耗运行，这两点把问题从单机、单任务的动作生成，推向多机协作和嵌入式部署。^[1] 公告还把评估中的训练物品排除作为防止污染的措施，说明能力声明需要和评估方法一起看。^[1] 这些都是公告中给出的说法；它们构成了 Helix 发布时的核心主张。