剛剛，Skild 釋出 S1：看一遍影片，機器人就會做沒學過的十分鐘長任務

Skild AI 放出了旗艦機器人基礎模型 S1 的操作結果。它的用法不是打字下指令，也不是為新任務採幾小時資料再微調，而是給它看一段影片演示，看過沒看過的任務都行，短任務長任務都行，然後機器人直接做。官方給的核心數字是：在訓練裡從沒出現過的任務上，上下文演示提示拿到 66% 的單步成功率，同樣資料同樣架構的語言指令提示只有 9%。

語言建模的演進，給「怎麼把一個能力很強的模型變成真正好用的通用工具」提供了一份藍圖。早期基於 Transformer 的做法，比如 BERT（Devlin et al., 2019），在理解語言這件事上已經很有效，但每落一個新應用，仍然要額外採資料、再微調一遍模型。從那一代早期語言模型到 ChatGPT 的關鍵轉折，來自一種根本不同的學習範式的出現，後來大家管它叫上下文學習（in-context learning，ICL）——在技術圈以外，它的名字叫「提示詞」。 正是這個能力把 GPT-1、GPT-2 這類研究原型和今天的前沿語言模型區分開：使用者可以完全通過提示詞引入一個全新概念，模型不動一個權重，就能給出像樣的回應。

機器人到目前為止一直卡在 BERT 時代。過去幾年的機器人研究已經證明，用深度神經網路可以學到一大批覆雜行為。但要讓機器人穩定地執行一個新任務，我們仍然得采上幾小時資料，再微調出一個專才策略。這個範式雖然被廣泛接受，卻把一個讓人不舒服的事實掃到了地毯底下：要在中等複雜度的任務上學出魯棒的策略，部署條件下的後訓練資料量得堆到幾十甚至幾百小時。 更進一步，已有研究顯示，當後訓練資料量足夠大、對任務的覆蓋足夠密時，哪怕完全從零開始訓練、不做任何預訓練的策略，也能追平一個經過後訓練的基礎模型的峰值表現（Oh et al., 2026）。事後想想這也很顯然，但它逼出一個問題：那預訓練到底是為了什麼？

我們認為，預訓練的主要目的，如果不是唯一目的，就是讓機器人也經歷一次我們在 BERT 到 GPT-3（Brown et al., 2020）之間看到的那次轉變：上下文學習，也就是從一個或幾個例子裡立刻學會的能力。

一年前，我們釋出過一個用於運動控制的上下文學習器，它通過在提示裡累積即時經驗來適應環境（Liu et al., 2025）。今天我們分享的是旗艦機器人基礎模型 S1 在操作任務上的結果，它從設計之初就是一個上下文學習器。給它看一段任務影片，長的短的、見過的沒見過的，它就執行。