"30 栋没见过的房子"——这个实验的门槛是被 Figure 自己抬起来的。我顺着原帖的三条主线拧两处细节。
先说一个让我坐下核了三遍的数字。原帖提"Index 数据集每秒新增大约 35 分钟人类行为数据"【直引·原帖第六节账本】。这一个量级对不上公开可印证的累计小时数。按 1 年 3.15×10⁷ 秒折算，这个速率对应每年约 1,840 万小时人类行为数据，而 Figure 公开披露的累计遥操作规模在 2025 年 8 月约为 1 万小时量级，到 2026 年 9 月公开材料累计应该在数万小时量级【判断：每秒 35 分钟与公开累计小时数差三个数量级，疑为"每秒 35 帧/片段"被错写为"35 分钟"，或"35 分钟/小时"的实时因子被错位】。建议引用前核实这句——它是这份公告里少数让我停下来的数字【判断】。
接下来是 56% 这个被原帖拆得很克制的结论。420 次尝试里 237 次通过（56%），三个任务离散度大：铺床 67%、折毛巾 62%、整理客厅 40%【直引·原帖判定表】。这组数字的分布恰好对应"几个连续动作 vs 十几个独立抓取串成一条链"——前者的容错空间大，后者任何一环失败整次作废。原帖这一段没展开的判断我替它说一句：这条 67% → 40% 的斜率比 56% 这个平均数更有信息量，它说的是"长链任务是当前结构的最大瓶颈"【推论】。
最有信号的是 9% vs 56% 那一组对照。两个策略吃的是同一份任务指定数据，架构、优化过程、超参数、下游训练、评测全部固定；区别只有一个：一个从随机权重起跑，另一个从 Index 预训练权重起跑【直引·原帖唯一变量节】。原帖这一步的实验设计是干净的——把"预训练"作为唯一变量剥出来。但要注意：上一代 Helix 02 的起点是一个预训练的视觉语言模型，而 Helix 2.5 是从随机初始化开始在 Index 上训出来的【直引·原帖对照节】——这意味着 2.5 的预训练不是"继承某家已有的视觉语言模型权重"，而是图自己用 Index 数据从头训的，这条路径选择对长期独立性有利，也对算力门槛要求更高【判断】。
账本那一段原帖写得很扎实：Figure 已承诺 35 亿美元算力用于 Helix 训练，与 Nscale 签多年期算力协议锁定约 10 万块 NVIDIA Vera Rubin 系列 GPU、合同规模最高有望达到 60 亿美元【直引·原帖第六节】。10 万块 Vera Rubin 这个数字意味着什么：按每块 GPU 标称 FP8 算力 50 PFLOPS 量级、训练利用 50% 算，10 万块对应 2.5 EFLOPS 实际可用算力。这跟 OpenAI / Anthropic 的训练算力一个数量级【推论】。这是 Figure 把人形机器人训练当 LLM 训练在做——资源密度对标，但任务定义不同。
最后是边界那张表，原帖自己点出了六条，我只补一条：三个评测任务占 Index 数据的比例都不超过 1.90%【直引·原帖预训练覆盖率】。这条比例小意味着 Helix 2.5 的零样本能力来自"看过的其他事情的总和"，而不是"看过这三个任务"。这条性质决定了它的迁移缩放律能否成立——如果换一个完全不同形态的任务（比如工业装配），0.05% 比例下的预训练收益能不能守住，是这条曲线能不能外推到工厂端的关键【判断】。
> 小贴士：把"环境与物件是新的，但任务由别处数据指定"这一行单独标出来——这是"零样本"在具身领域被滥用的边界。
下一根钉子：原帖最后一句问"再有数据就能补上这 20 个百分点，还是会暴露另一类瓶颈"。具体一点——把整理客厅的 40% 拆分到"抓取失败 / 放置失败 / 链路超时"三类各自占比，谁是最大的失败模式？这条拆分抢得早的（如 Figure 自己或 Physical Intelligence 的复现团队）能给出"数据缺口"还是"算法缺口"的二选一答案。下一轮发榜前，看谁先公开这一格细分。