具身星图
Embodied AI Atlas
入场中正在打开具身世界
请稍候
具身星图

主题

Helix:用单一权重高速控制人形上半身的双系统 VLA(Figure AI) ​

arXiv: 无论文(官方新闻页 figure.ai/news/helix) · Figure AI · 2025.02 · 路线:双系统(System 2 慢语义 VLM + System 1 快连续控制)· 单个连续隐语义向量桥接 · 频率解耦/异步 · 35-DoF 全上半身连续控制 ← 返回主报告

⚠️ 全文事实纪律(本页命脉):Helix 没有任何论文、技术报告或公开评测,所有内容均来自 Figure AI 的两篇官方新闻稿(Helix 发布页,2025-02-20;Scaling Helix 物流页)与二手报道。本页几乎每一个数字都是 Figure 厂商自报、无同行评审、无第三方独立复现,凡涉定量一律标 ⚠️。后续 Helix-02 的所有细节均为二手源 / 厂商新闻 + 直播,可信度更低,单独标注。读本页请把它当作"工程声明 + 营销 demo"而非"学术结果"。

TL;DR ​

Helix 是 Figure AI 于 2025 年 2 月 发布的 VLA 模型,Figure 自称是首个用单一神经网络权重、以高频连续控制人形机器人整个上半身(35 自由度)的通用 VLA。它采用一套显式双系统(System 1 / System 2)架构,但与 GR00T N1 的"端到端联合训练 + 交叉注意力桥接"路线在工程取向上不同,Helix 的卖点集中在频率解耦与异步这一设计思想上:

  • System 2(S2,慢语义):一个7B 参数、开放权重的互联网预训练 VLM ⚠️,以 7–9 Hz ⚠️ 低速运行,把单目机器人图像 + 本体状态(腕姿、手指位置)+ 自然语言指令,蒸馏成一个连续隐语义向量(a single continuous latent vector),作为"意图"传给 S1。
  • System 1(S1,快控制):一个 80M 参数的交叉注意力 encoder-decoder Transformer ⚠️,以 200 Hz ⚠️ 高频运行,把 S2 的隐向量当作条件,输出 35-DoF 连续动作(手指、腕、末端轨迹、头部 gaze、躯干姿态)。视觉走一个全卷积、多尺度骨干,在纯仿真里预训练初始化。

两系统异步、不同频率运行,通过一个连续隐向量这一窄接口耦合;训练时人为引入 S1 与 S2 输入之间的时间偏移(temporal offset),以模拟部署时两者的推理延迟差。整套行为只用了 约 500 小时遥操作数据 ⚠️ 训练(Figure 称不到既往 VLA 数据集规模的 5%),并用一个自动标注 VLM 为视频片段生成事后(hindsight)语言指令。Figure 还宣称 Helix 是首个同时驱动两台机器人协作的 VLA(双机搬运杂货 demo),且单一权重即可完成抓取、放置、开抽屉/冰箱、操作上千种训练中未见过的新物体,无需任务特定微调。

⚠️ 关键落差:无论文、无公开权重/数据/代码、无独立基准评测、所有成功率/速度均为厂商自评 + 选片 demo;Helix-02(2026 年的物流升级版)细节进一步只有二手源。详见 §5。

1. 要解决的问题 ​

Helix 想同时解决的是人形机器人通用控制里几条互相打架的张力(与 GR00T N1、Gemini Robotics 面对的问题同构):

  1. "想得对"与"动得快"频率冲突:承载世界知识与语言理解的大 VLM 单次前向只能跑到十 Hz 量级(Helix 的 7B S2 为 7–9 Hz ⚠️);而人形上半身、五指灵巧手的接触丰富操作需要百 Hz 量级闭环(S1 为 200 Hz ⚠️)。单一模型无法同时满足两者。
  2. 高自由度全上半身的统一控制:人形上半身自由度高(Figure 02 约 35 DoF,双手各 16 DoF,见 robots),需要一个能同时协调手指、腕、躯干、头部的策略,而非每部位/每任务一个控制器。
  3. 真机数据稀缺 + 不靠每任务微调泛化:遥操作轨迹昂贵稀少。Helix 主张用约 500 小时 ⚠️ 的小数据 + 自动语言标注,训练出能对上千种未见物体零样本泛化、且单一权重跨任务的策略,而非"采一批数据训一个专用技能"。
  4. 上车部署:模型必须能在机器人本机的低功耗嵌入式 GPU 上实时跑,而非依赖云端(对比 Gemini Robotics 的云-端拆分)。

Helix 的回答:双系统频率解耦——慢 VLM 产出"意图隐向量",快控制器高频消费;单一权重 + 小数据 + 自动标注做泛化;双嵌入式 GPU 本机推理做部署。

2. 方法与架构 ​

图注:Helix 双系统数据流(据 figure.ai/news/helix 文字描述重建,Figure 未公开正式架构图论文版)。S2 把图像+状态+语言"蒸馏成单个连续隐向量",经异步窄接口喂给 S1;S1 以此为条件高频输出整个上半身的连续动作。两系统拆在不同的专用处理器上、以不同频率运行(model-parallel inference)。

2.1 双系统机理:频率解耦 / 异步(本页重点) ​

Helix 与 GR00T N1、Gemini Robotics 同属"慢 System 2 + 快 System 1"的双系统范式,但理解 Helix 的关键是它把"频率解耦/异步"当作第一性的设计思想,而不是把双系统当成单纯的"大脑+小脑"叙事。三个要点:

  • 两套独立网络、两个频率:S2(7B VLM)与 S1(80M Transformer)是两个分开的网络,分别以 7–9 Hz 与 200 Hz 运行 ⚠️。这与本站 dual-system-architecture 给出的"双系统三件套"判据(两套网络 + 独立频率 + 异步接口)完全吻合;Helix 是典型的真·频率解耦,不像 π0 的"动作专家"只是同一主干内的另一套权重/输出头。
  • 窄接口 = 单个连续隐向量:S2 不向 S1 输出离散子任务文本(对比 π0.5 高层显式解码"拿起盘子"这样的语言子任务),而是把所有任务相关语义压成一个连续 latent vector。这意味着 S1 不需要理解语言,只需学会"把这个隐向量翻译成高频动作"——接口窄、带宽低,正好配合 200 Hz 的实时性。
  • 异步 + 训练时 temporal offset:部署时 S2(慢)与 S1(快)天然存在推理延迟差,S1 在两次 S2 更新之间会复用同一个隐向量连续高频执行。为让训练分布匹配这种异步,Figure 在训练时人为在 S1 与 S2 的输入之间插入时间偏移,模拟部署的延迟错位。这是 Helix 在"频率解耦"上少有的、可被点名的具体训练技巧(虽仍无论文级细节)。

📌 一句话机理:Helix = 慢 VLM 低频产出"一个意图隐向量",快控制器把这个向量当条件、在它过期前用 200 Hz 把整个上半身动作填满,训练时用 temporal offset 把异步缝进数据分布。 本站此前只有"7B/80M/7–9Hz/200Hz"这些数字,机理(隐向量窄接口 + 异步 offset)在此补齐。

2.2 System 2:7B 开放权重 VLM(7–9 Hz) ​

  • 身份:一个互联网规模预训练的开放权重 VLM,约 7B 参数 ⚠️。Figure 未公开它具体基于哪个开源模型(新闻稿只说"open-source, open-weight VLM"),底座型号待核。
  • 输入:单目机器人图像 + 机器人本体状态(腕姿 wrist pose + 手指位置 finger positions)+ 自然语言指令。
  • 输出:不是动作、也不是子任务文本,而是一个连续隐语义向量,编码"此刻该做什么"的全部任务语义。
  • 频率:7–9 Hz ⚠️,慢但承载语言理解与开放世界泛化(认得上千种未见物体靠的是它的预训练知识)。

2.3 System 1:80M 交叉注意力 encoder-decoder(200 Hz) ​

  • 身份:一个 80M 参数的 cross-attention encoder-decoder Transformer ⚠️。
  • 桥接:通过交叉注意力把 S2 的隐向量作为条件注入——隐向量是"被 attend 的 memory",动作 token 是 query。
  • 视觉:S1 自带一个全卷积、多尺度视觉骨干做高频视觉处理,完全在仿真里预训练后初始化(再随真机数据端到端训练)。
  • 输出与频率:以 200 Hz ⚠️ 输出 35-DoF 连续控制——覆盖每根手指、腕、末端轨迹、头部 gaze、躯干姿态。

2.4 训练:约 500 小时遥操作 + 自动语言标注 + 端到端 ​

  • 数据:约 500 小时 ⚠️ 的多机器人、多操作员遥操作行为;Figure 称这不到既往 VLA 数据集规模的 5% ⚠️。
  • 自动标注:用一个自动标注 VLM 看视频片段、生成事后(hindsight)自然语言指令("视频里这段在做什么"),省去人工逐条标语言。
  • 训练形态:完全端到端,从原始像素 + 文本指令直接映射到连续动作;两系统一起训练,训练时对 S1/S2 输入加 temporal offset(见 §2.1)。
  • 部署:每台机器人用两块低功耗嵌入式 GPU,把 S2 与 S1 分到不同处理器上做 model-parallel 推理——这正是双系统在硬件上"物理拆开"的体现。硬件本体参数(Figure 02 约 35 DoF、双手 16 DoF 灵巧手)交叉见 robots。

2.5 35-DoF 全上半身连续控制 vs π0 / GR00T 的动作头差异 ​

这是 Helix 区别于其他 VLA 动作输出端的关键一点:

维度Helix(S1)π0 / π0.5 action expertGR00T N1 DiT(System 1)
动作生成机制cross-attention encoder-decoder 直接回归连续动作 ⚠️流匹配(flow matching) 去噪生成连续动作块流匹配 DiT(velocity 预测)去噪动作块
是否独立网络/频率是,80M 独立网络 @ 200Hz否,动作专家是同一主干内的另一套权重是,DiT 是独立模块 @ 120Hz,但与 VLM 端到端联合训练、交叉注意力桥接
与上层桥接单个连续隐向量(窄接口,S1 不读语言)共享主干 token / 高层 FAST 离散子任务(π0.5)VLM token 经交叉注意力注入 DiT
控制维度声明35-DoF 全上半身(手指/腕/末端/头/躯干)各平台关节(如 ALOHA 双臂 14-DoF)跨本体(单臂到双臂人形),相对末端执行器空间
去噪迭代成本无(单次前向回归),利于 200Hz有(多步去噪/积分)有(多步)

差异要点:Helix 的 S1 用"一次前向回归"而非"多步去噪"出动作,这正是它能宣称 200 Hz 的结构前提——扩散/流匹配头(π0、GR00T)每步动作要多次迭代去噪,频率天花板天然更低(π0.5 为 50 Hz、GR00T 为 120 Hz)。代价是回归式动作头在多模态动作分布上的表达力理论上弱于扩散头(易学成"平均动作"),但 Figure 未公开任何对比数据来证伪或证实,此项待核。

2.6 单一权重驱动双机器人协作的工程含义 ​

Figure 称 Helix 是首个能同时运行在两台机器人上、用同一套权重驱动它们协作的 VLA(demo:两台 Figure 机器人协作把杂货放进冰箱,物体为训练中未见过)。其工程含义:

  • 权重共享 ≠ 集中控制:两台机器人各跑一份相同的 Helix 权重,各自接收各自的图像/状态/同一条语言指令("把杂货收起来"),靠视觉观察彼此来隐式协调,而非有一个中央调度器。这把"多机协作"从"显式通信/任务分配系统"压缩成了"同一策略 + 共享语言目标 + 互相看见"。
  • 对数据效率的暗示:若单一权重无需任务微调就能泛化到双机协作与上千新物体,说明 S2 的预训练语义 + S1 的小数据控制确实承载了大部分泛化——但这一论断仅靠 demo 支撑,无成功率/失败率统计,见 §5。

3. 关键设计与创新点 ​

  1. 频率解耦做成产品级双系统(§2.1):7–9 Hz 慢语义 + 200 Hz 快控制,两套独立网络、异步、单隐向量窄接口,且用 temporal offset 把异步缝进训练分布。这是 Helix 相对学术双系统(GR00T N1)最"工程化"的地方。
  2. 隐向量桥接而非语言子任务桥接:S2→S1 只传一个连续 latent,S1 不需理解语言(对比 π0.5 显式解码语言子任务)。接口窄、带宽低,服务于高频。
  3. 回归式 S1 换取 200 Hz(§2.5):用 cross-attention encoder-decoder 单次前向回归动作,避开扩散/流匹配的多步去噪,换来比 π0(50Hz)/GR00T(120Hz)更高的标称频率。
  4. 35-DoF 全上半身统一控制:单一策略同时协调手指/腕/末端/头/躯干,而非分部位控制器。
  5. 小数据 + 自动语言标注:约 500h(<5% of 既往 VLA 数据)+ hindsight VLM 自动标注,降低语言标注成本。
  6. 单一权重 + 双机协作 + 本机双 GPU 部署:无任务微调跨任务/跨物体/跨双机泛化,且全程本机低功耗 GPU。

4. 实验与关键结果 ​

⚠️⚠️ 本节所有数字均为 Figure 厂商自评 / 直播 demo / 二手报道,无同行评审、无独立基准、无公开评测协议。表中"成绩"应读作"Figure 的宣传声明"。

4.1 Helix(2025.02 发布)声明 ​

声明项数值 / 描述性质
S2 规模 / 频率7B 开放权重 VLM / 7–9 Hz⚠️ 厂商自评
S1 规模 / 频率80M cross-attention encoder-decoder / 200 Hz⚠️ 厂商自评
控制维度35-DoF 全上半身 @ 200Hz⚠️ 厂商自评
训练数据约 500h 遥操作(<5% of 既往 VLA 数据集)⚠️ 厂商自评
新物体泛化上千种训练中未见物体、杂乱场景中抓取,无演示⚠️ demo,无成功率
多机协作"首个"同时驱动两台机器人协作的 VLA(双机收纳杂货)⚠️ demo,无统计
任务微调单一权重完成抓取/放置/开抽屉/开冰箱,无任务特定微调⚠️ demo,无统计

4.2 Helix-02(2026,全部二手源 ⚠️) ​

Helix-02 是 Figure 在 2026 年用于物流分拣的升级版,信息主要来自 Scaling Helix 物流页 与直播/二手报道(techtimes、interestingengineering、humanoidsdaily 等):

声明项数值性质
每件包裹处理时间4.05s(初部署约 5.0s,~20% 提速)⚠️ 厂商自评/二手
数据缩放下处理时间6.84s(10h 数据)→ 4.31s(60h 数据)⚠️ 厂商自评
条码识别成功率约 95%(初部署约 70%);60h 数据 94.4% / 10h 数据 88.2%⚠️ 厂商自评
架构新增① 视觉记忆模块(stateful 时序感知)② 本体状态历史 ③ 力反馈进入观测 ④ transformer decoder head 参数 +50%⚠️ 厂商自评/二手
长时自主运行 demo8 小时直播(2026-05)、二手称多日累计十万级包裹⚠️ 直播 + 二手,无审计

⚠️ Helix-02 一手细节(参数/频率是否变化)在新闻稿中并未与 Helix 逐项对齐;"decoder head +50%"是少数明确的架构改动声明。其余长程自主运行的包裹总数等多为社媒/二手转述,未经独立审计。

5. 局限与争议 ​

  • 无论文 / 无公开权重 / 无数据 / 无代码 / 无基准:Helix 只有新闻稿,完全无法被独立复现或核查。这与 GR00T N1(开放 2B 权重 + 仿真基准)、π0(有 arXiv 报告)形成鲜明对比——本站把它列为可信度最低档之一的原因正在于此。
  • 数字全是厂商自评:7B/80M、7–9Hz/200Hz、35-DoF、500h、各类成功率/速度,没有任何一项经第三方在统一协议下评测。
  • demo 选片争议(必须写清):Figure 的演示长期被质疑——
    • 短视频可隐藏 reset、人工介入、选择性成功;
    • 2026 年 5 月的 8 小时 / 多日直播虽被 Figure(CEO Brett Adcock)强调"无遥操作,每个动作都来自 Helix-02",意在用"长时直播比短剪辑更难造假"回应质疑;
    • 但直播中仍出现机器人疑似"挠头"等动作被外界解读为遥操作嫌疑;Sunday Robotics CEO Tony Zhao 公开质疑 Figure 的装洗碗机 demo 物体全是塑料,回避了易碎陶瓷/玻璃,质疑其与真实场景的差距("Dishwasher Wars")。
    • 更宏观地,Figure 的"autonomy-first / 无遥操作"路线与 1X(NEO)"human-in-the-loop / 数据优先"路线形成行业路线之争,双方都被质疑"selling the dream"。
  • 回归式 S1 的动作表达力:用单次前向回归而非扩散/流匹配,理论上在多模态动作分布上可能表达力偏弱(易回归到均值动作),Figure 无数据回应,待核。
  • Helix-02 全为二手:升级版的关键改动(力反馈、视觉记忆、+50% decoder head)与长程自主声明缺乏一手技术细节与独立审计。
  • 底座型号未公开:S2 的 7B"开放权重 VLM"具体是哪个模型未明,待核。

6. 在 VLA 谱系中的位置 ​

Helix 是工业界"频率解耦双系统"的代表声明之一,与 GR00T N1、Gemini Robotics 同属"慢 System 2 + 快 System 1"的分层/双系统范式(横切分析见 dual-system-architecture)。它的独特标签是:最窄的桥接接口(单个连续隐向量)+ 回归式高频 S1(200Hz)+ 单一权重双机协作 + 本机双 GPU 部署;但同时它也是这批前沿模型里最不透明的一个。

横向对照(落差点重点在"可核查性"):

模型机构 / 公开度双系统形态动作头频率数据可核查性(关键落差)
HelixFigure AI / 无论文、无权重、无数据S2 7B VLM + S1 80M;单隐向量异步桥接回归式 cross-attn enc-dec7–9Hz / 200Hz ⚠️约 500h 遥操作(非公开)⚠️最低:仅新闻稿;demo 选片争议;Helix-02 二手
GR00T N1NVIDIA / 开放权重+数据+仿真基准S2 Eagle-2 VLM + S1 DiT;交叉注意力端到端联合训练流匹配 DiT~10Hz / 120Hz ⚠️数据金字塔(人类视频+合成+真机)中:有 arXiv + 开放 2B 权重,但评测多为自评/仿真
π0.5Physical Intelligence / 有 arXiv单模型内分层:高层 FAST 语言子任务 + 底层流匹配流匹配 action expert50Hz ⚠️异构 co-training,真实住宅长程中:有论文,真机长程任务为一手验证目标
Gemini RoboticsGoogle DeepMind / 有技术报告云端 backbone + 本机 decoder本机 action decoder端到端 ~250ms / 等效 50HzALOHA 2 等中:有报告;依赖云端

一句话定位:Helix 在"频率解耦双系统"的工程叙事上做得最干脆(隐向量 + 回归 200Hz + 双机单权重),但在"能不能被信"这一维度上,它是横向对照里垫底的——没有论文、没有权重、没有公开数据,几乎所有结论都建立在 Figure 自家 demo 之上。 它更应被读作"一份强有力的工程能力声明 + 营销",而非可复现的科研成果。

来源 ​

已读 0/124