中邮证券在《深度解析Figure、1X》周报中指出，Figure Helix模型的发布标志着人形机器人能力泛化的重大突破。Helix采用准分层式架构（System 1 8000万参数+System 2 70亿参数），实现了对象泛化、全上半身精准控制、双机器人协同三大核心能力。Figure CEO表示，鉴于Helix模型进步神速，将家用时间轴提前2年，2025年将开始Alpha测试。物流客户30天完成部署，未来预期10万台需求空间。
Helix模型架构——分层式VLA模型突破传统模仿学习
Figure Helix模型在架构设计上做出重大调整，摒弃与OpenAI合作的多模态大模型，转而采用准分层式框架。System 1为8000万参数的轻量级操作模型，负责实时动作生成；System 2为70亿参数的多模态大模型，负责视觉理解和语言推理。通过500多个小时的训练数据，模型展现出精准的动作控制能力。
与传统模仿学习相比，Helix模型实现三大突破：对从未遇到过的物品也能操作（对象泛化）、全上半身控制（躯干、手臂、手腕、头部及手指端到端协调）、双机器人协同合作。Helix是业内首个完全在嵌入式GPU上运行分层式大小脑架构的机器人，无需依赖边缘部署或云端算力。
上半身精准控制——35自由度端到端协调
Figure 02全身多达35个自由度，Helix通过VLA模型实现了对躯干、手臂、手腕、头部及手指的端到端训练与协调控制。上半身控制面临极高复杂度——多部位协同控制会实时改变机器人视野范围和操作可达空间，形成传统控制方法难以解决的动态反馈闭环。
当机器人调整躯干姿态以扩大抓取范围时，头部需同步转动保持视觉追踪，同时手指仍需保持精细操作。Helix通过System 1和System 2的分层架构解决了这一难题：上层处理语言指令和视觉理解，下层生成精准的连续动作。这对未来解锁更复杂的家用场景任务具有里程碑意义。
泛化能力——操作从未见过的物品
Figure表示Helix可以操作任何物体，包括机器人从未遇到过的物品。这一能力对于家用和非结构化场景中的部署至关重要。家用场景测试中，机器人操作番茄酱等并不包含在训练集中的物品，展现出色泛化能力。
Figure CEO表示，鉴于Helix模型进步神速，将公司对于机器人家用的时间轴提前了2年，2025年将开始Alpha测试并部署家用。实验室演示表明，神经网络学习能赋予机器人处理可变形复杂物体的能力，物流用例的执行速度还能提升2倍。
物流客户落地——30天部署10万台需求空间
2025年2月27日，Figure在物流客户工厂实测中，Figure 02通过内置摄像头为Helix模型提供实时数据支持，精准从传送带捡取货物并确保条形码清晰可见。在作业过程中，机器人具备自主纠错功能，一旦出现错误操作能迅速自我调整。
该物流客户是美国最大公司之一，未来预期提供10万台需求空间。Helix在智能物流领域仅用30天就实现部署目标，相比第一个客户花费12个月的时间，端到端学习方法大幅缩短了部署周期。Figure预计2025年量产出货1500-2000台，2026年有望提升至1-2万台。
表：Figure Helix模型核心性能对比| 能力维度 | 传统模仿学习 | Helix模型 |
|---|
| 对象泛化 | 仅能执行预训练过的任务 | 可操作从未见过的物品 |
| 控制范围 | 对部件单独控制 | 全上半身35自由度端到端控制 |
| 多机器人 | 仅单台机器人 | 支持双机器人协同合作 |
| 部署方式 | 云端与机载均有 | 完全在板载GPU运行 |
