灵初智能发布Psi-R2与Psi-W0双模型，基于10万小时人类数据预训练
灵初智能发布Psi-R2与Psi-W0两个模型，称其为业内首个基于10万小时量级人类数据完成预训练的具身智能模型。
推荐理由：原文由团队亲自拆解双模型架构与数据治理结论，给出了可借鉴的人类数据利用路径与实验依据。
内容形态
模型发布 最新动态
机器人新模型、新版本或首次开放权重。既有模型的榜单成绩归评测基准，仅价格、配额或服务可用性变化归产品更新。
68 条精选近 30 天 31 条共收录 275 条
更新
精选归档 · 第 4 页
PsiBot/灵初智能精选AI 评分7474
Figure AI精选AI 评分8282 Figure AI发布Helix 02：人形机器人全身自主控制模型
Figure AI发布Helix 02，将控制从上半身扩展到整个人形机器人，实现连续的移动与操作一体化自主任务。新增System 0全身控制器，基于超过1000小时人体动作数据与仿真强化学习训练，以10M参数网络在1kHz输出关节指令，替换约109504行手写C++代码；System 1连接头部的视觉、掌部相机、指尖触觉与本体感知，以200Hz输出全身关节目标。
推荐理由：原文给出Helix 02的架构分层、训练数据与演示任务细节，读者可以据此了解全身自主控制的具体实现路线。
Physical Intelligence Social精选AI 评分6868 Physical Intelligence 发布 π0.6 模型，可用强化学习从自身经验中学习
Physical Intelligence 发布新模型 π0.6，它能通过强化学习（RL）从自身经验中学习。相比未用 RL 训练的基线模型，π0.6 的吞吐量可提升一倍以上，并能执行真实世界任务，包括制作浓缩咖啡饮品、折叠多样衣物和组装纸箱。
推荐理由：原文给出了相对未用强化学习的基线模型吞吐量翻倍以上的对比，以及三类真实任务的落地范围。
Physical Intelligence精选AI 评分7474 Physical Intelligence 发布能从经验中学习的VLA模型 π*0.6
Physical Intelligence 发布 VLA 模型 π*0.6，用其 Recap（RL with Experience & Corrections via Advantage-conditioned Policies）方法训练后，在部分最难任务上吞吐量提升一倍以上，失败率可降至原来的一半或更低。
推荐理由：原文解释了模仿学习下VLA复合错误的成因，并给出用专家纠错与自主经验做强化学习的训练路线。
Figure AI精选AI 评分7272 Figure 发布 Project Go-Big：Helix 仅凭人类第一视角视频零样本学会导航
Figure 宣布 Project Go-Big 两项进展：与 Brookfield 合作构建大规模人形预训练数据集，后者拥有超 10 万套住宅、5 亿平方英尺商业办公和 1.6 亿平方英尺物流空间；Helix 在 100% 第一视角人类视频上训练后，无需任何机器人示教即可响应 go to the fridge 等自然语言指令，在杂乱真实家居环境中导航。
推荐理由：原文给出Helix仅用人类视频学会导航的训练方式与Brookfield数据合作的规模细节，可了解人形预训练数据路线的实际进展。
Figure AI精选AI 评分6060 Figure AI 的 Helix 模型实现人形机器人全自主叠毛巾
Figure AI 的 VLA 模型 Helix 全自主完成叠毛巾，称是多指人形机器人用端到端神经网络完成该任务的首例。架构与训练超参数不变、仅新增数据集，可从混合毛巾堆取物、按初始形态调整折叠策略、纠正多抓错误，并用拇指描边、捏角等精细动作解开缠绕毛巾。
推荐理由：同一模型不加架构改动仅靠新增数据完成叠毛巾任务，展示了从物流到柔性物体操作的泛化路径。
Figure AI精选AI 评分7575 Figure AI 公布 Helix 物流部署三个月进展：单件处理 4.05 秒、条码成功率约 95%
Figure AI 发布 Helix 在物流环境部署三个月后的能力进展，单件处理时间从约 5.0 秒降至 4.05 秒，条码扫描成功率从约 70% 提升至约 95%，并新增处理 poly 袋、扁平信封等柔性包裹的能力。
推荐理由：原文给出数据规模与各架构模块的消融实验细节，读者可以据此理解物流性能提升的具体来源。
Figure AI精选AI 评分6666 Figure AI 用强化学习让 Figure 02 人形机器人实现类人自然步行
Figure AI 发布端到端强化学习步行控制器，让 Figure 02 人形机器人在仿真中通过奖励模仿人类参考轨迹学会带脚跟触地、脚尖蹬地和摆臂的类人步态。训练在 GPU 加速物理仿真中并行进行数千台机器人，数小时收集数年仿真数据，结合域随机化与 kHz 级扭矩反馈控制实现零样本迁移到实机，10 台 Figure 02 运行同一神经网络无需单独调整。
推荐理由：原文给出 Figure 02 用强化学习实现类人步行的训练方法和仿真到现实迁移细节，可了解其技术路线。