中信建投 | Figure发布Helix：效果惊艳、端到端VLA模型在人形机器人的首次落地

主要观点总结

本文介绍了Figure公司在官网上发布的新型通用型视觉语言动作模型Helix，该模型能够将语言、视觉、动作融合进行任务完成，支持人形机器人上半身使用，具有极强的泛化能力，需要预训练数据集少。Helix是第一个运行在人形机器人上的端到端VLA大模型，具有一系列突破，包括全上半身控制、多机器人协作、对象泛化能力、一套神经网络权重控制等。文章还介绍了Helix的训练方法和系统架构，包括系统1和系统2的运作模式。最后给出了报告的作者和一些重要免责声明。

关键观点总结

关键观点1: Helix模型特点

Helix是一款通用型视觉语言动作模型，适用于人形机器人上半身使用，具有极强的泛化能力，能同时使两个机器人协调工作。它是第一个运行在人形机器人上的端到端VLA大模型，具有一系列突破，如全上半身控制、多机器人协作等。

关键观点2: Helix的系统架构

Helix采用创新的“系统1，系统2”双系统模型架构，系统2是一种经过训练的VLM，负责场景理解和语言理解，实现跨对象和上下文的广泛泛化；系统1是一种快速反应的视觉运动策略，负责动作的输出。

关键观点3: Helix的训练方法和效率

Helix的训练非常高效，用500小时的高质量监督数据完成了强大的对象泛化能力。这套系统使得Helix能够表现出很多异于一般模型的能力，如多机器人协作和强大的对象泛化能力。

关键观点4: 报告发布机构和免责声明

报告由中信建投证券股份有限公司发布，报告中所述内容仅面向机构类专业投资者。报告免责声明提示订阅号内容不构成任何投资建议，且任何机构或个人不得以任何形式转发、翻版、复制本订阅号发布的全部或部分内容。