Helix 2.5 da Figure Opera em 30 Ambientes Domésticos Inéditos com Alta Eficiência Zero-Shot

O Helix 2.5 da Figure representa um avanço em IA para robótica ao demonstrar generalização zero-shot em ambientes domésticos. O sistema foi pré-treinado no Index, um dataset massivo de vídeos de comportamento humano. Isso permitiu que o robô realizasse tarefas complexas, como arrumar cômodos ou dobrar toalhas, em 30 casas desconhecidas sem precisar de coleta de dados local ou adaptação, interagindo com objetos nunca vistos antes. A grande sacada é que a inteligência corporal integral, que antes precisava ser “reconstruída” para cada novo ambiente, agora se transfere da experiência humana para novos cenários.

A capacidade de Helix 2.5 de operar sem adaptação local é um desafio técnico robusto, pois as residências apresentam configurações e objetos variados. O pré-treinamento no Index elevou a taxa de sucesso zero-shot de 9% para 56%, provando a eficácia de um treinamento robusto com dados de comportamento humano em escala. Isso mostra que, assim como modelos de linguagem aprendem padrões de texto, robôs podem aprender padrões de interação física, antecipando ações e corrigindo-se em ambientes dinâmicos e imprevisíveis. O modelo usa um único checkpoint fixo para todas as tarefas e ambientes.

Comparado ao Helix 02, noticiado em 17 de maio de 2026, que focava na autonomia de turnos de oito horas em ambientes fabris controlados, o Helix 2.5 muda o jogo. O Helix 02 era treinado com dados coletados no ambiente de operação. Já o Helix 2.5 generaliza de forma zero-shot em 30 casas desconhecidas, usando um único checkpoint fixo e exigindo metade dos dados específicos de tarefa para alcançar a mesma taxa de sucesso. A capacidade de autocorreção, essencial em ambientes imprevisíveis, é outro avanço notável do novo modelo. Enquanto o Helix 02 partia de um modelo de visão-linguagem pré-treinado, o Helix 2.5 foi pré-treinado do zero unicamente no Index.

A cobertura de 13 de maio de 2026 já mostrava robôs da Figure fazendo tarefas domésticas. No entanto, o Helix 2.5 valida que a experiência de aprendizado não precisa ser “reconstruída” para cada ambiente. Ele demonstra que essa inteligência corporal integral pode ser transferida de forma preditiva. Os testes atuais comprovam a capacidade de generalização zero-shot em uma escala inédita, algo que os vídeos anteriores apenas sugeriam como possibilidade futura.

Para o setor de hardware e robótica, este avanço é fundamental. Ele valida que o pré-treinamento em larga escala, similar ao que acontece em modelos de linguagem, pode ser aplicado a robôs físicos. Isso abre caminho para a produção de robôs humanoides verdadeiramente úteis em ambientes não estruturados, como nossas casas, com menor custo de adaptação e implantação.

A descoberta de leis de escala para a transferência humano-robô, mencionada no artigo, sugere uma previsibilidade no desenvolvimento, permitindo projetar o desempenho de novos modelos com base na quantidade de dados de pré-treinamento. É um passo decisivo para robôs que se integram naturalmente ao cotidiano, impulsionando a computação de alto desempenho e a eficiência energética em sistemas robóticos que operam em cenários dinâmicos.