@rohanpaul_ai: Figure可能发现了机器人预训练的缩放规律：固定模型与任务训练，增加Index数据…

X AI KOLs Timeline 模型
robotics pretraining scaling ai-model human-behavior-data machine-learning

摘要

Figure发现了机器人预训练的缩放规律：通过增加人类行为数据，可预测性地降低动作预测损失，这与大语言模型的缩放原理相似。其Helix 2.5模型在未见过的家庭任务环境中，零样本成功率提升了六倍以上。

Figure可能发现了机器人预训练的缩放规律：保持模型与任务训练固定，增加Index数据（Figure基于人类行为的大型预训练数据集） > 动作预测损失会以清晰、可预测的方式下降。 较小规模的实验几乎精确预测了8倍数据规模的结果，这意味着机器人公司可以在投入计算资源进行完整训练前，预估数据量翻倍带来的收益。 这将使机器人训练减少试错过程，更接近大语言模型的缩放模式，尽管该曲线预测的是动作损失，而非实际任务成功率。 因此目前尚不能证明机器人可靠性也能获得同等可预测的提升。
查看原文
查看缓存全文

缓存时间: 2026/09/18 10:38

Figure可能发现了机器人预训练的缩放规律：保持模型与任务训练固定，增加更多Index数据（Figure基于人类行为的大型预训练数据集），> 其动作预测损失会以清晰、可预测的方式下降。

小规模实验运行的结果几乎精确预测了8倍数据量的表现——这意味着机器人公司无需投入完整训练的算力成本，就能预先估算人类行为数据再翻倍带来的提升。

这将使机器人训练减少试错过程，更接近大语言模型的扩展方式，但需注意该曲线预测的是动作损失而非实际任务成功率。

因此目前尚不能证明其在机器人可靠性提升上具备同等可预测性。

Rohan Paul (@rohanpaul_ai): Figure刚刚发布了这个视频。美丽的机器人未来确实正在到来。

其Helix 2.5模型（Figure的端到端机器人控制中枢）在30个未见过的家庭环境中，将零样本家务任务成功率提升六倍以上。

Figure报告成功率从9%提升至56%，

相似文章