Helix

Helix to generalistyczny model Vision-Language-Action (VLA) opracowany przez Figure AI, który łączy percepcję, rozumienie języka i wyuczone sterowanie robotem humanoidalnym. Jest pierwszym VLA generującym ciągłe sterowanie całą górną częścią ciała humanoida z częstotliwością 200 Hz — w tym nadgarstkami, tułowiem, głową i pojedynczymi palcami. Umożliwia generalizację zero-shot (chwytanie tysięcy nowych przedmiotów bez wcześniejszego treningu na nich), współpracę wielu robotów na tych samych wagach sieci oraz sterowanie językiem naturalnym. Architektura wykorzystuje projekt „System 1, System 2”: System 2 (7 mld parametrów) to wstępnie wytrenowany na danych z internetu model VLM działający z częstotliwością 7–9 Hz na potrzeby rozumienia sceny, a System 1 (80 mln parametrów) to oparta na transformerze polityka wizuomotoryczna działająca z częstotliwością 200 Hz. Model uruchamiany jest w całości na wbudowanych, energooszczędnych GPU i został wytrenowany na ok. 500 godzinach wysokiej jakości danych z teleoperacji.