刚刚，Skild 发布 S1：看一遍视频，机器人就会做没学过的十分钟长任务

Skild AI 放出了旗舰机器人基础模型 S1 的操作结果。它的用法不是打字下指令，也不是为新任务采几小时数据再微调，而是给它看一段视频演示，看过没看过的任务都行，短任务长任务都行，然后机器人直接做。官方给的核心数字是：在训练里从没出现过的任务上，上下文演示提示拿到 66% 的单步成功率，同样数据同样架构的语言指令提示只有 9%。

语言建模的演进，给「怎么把一个能力很强的模型变成真正好用的通用工具」提供了一份蓝图。早期基于 Transformer 的做法，比如 BERT（Devlin et al., 2019），在理解语言这件事上已经很有效，但每落一个新应用，仍然要额外采数据、再微调一遍模型。从那一代早期语言模型到 ChatGPT 的关键转折，来自一种根本不同的学习范式的出现，后来大家管它叫上下文学习（in-context learning，ICL）——在技术圈以外，它的名字叫「提示词」。 正是这个能力把 GPT-1、GPT-2 这类研究原型和今天的前沿语言模型区分开：用户可以完全通过提示词引入一个全新概念，模型不动一个权重，就能给出像样的回应。

机器人到目前为止一直卡在 BERT 时代。过去几年的机器人研究已经证明，用深度神经网络可以学到一大批复杂行为。但要让机器人稳定地执行一个新任务，我们仍然得采上几小时数据，再微调出一个专才策略。这个范式虽然被广泛接受，却把一个让人不舒服的事实扫到了地毯底下：要在中等复杂度的任务上学出鲁棒的策略，部署条件下的后训练数据量得堆到几十甚至几百小时。 更进一步，已有研究显示，当后训练数据量足够大、对任务的覆盖足够密时，哪怕完全从零开始训练、不做任何预训练的策略，也能追平一个经过后训练的基础模型的峰值表现（Oh et al., 2026）。事后想想这也很显然，但它逼出一个问题：那预训练到底是为了什么？

我们认为，预训练的主要目的，如果不是唯一目的，就是让机器人也经历一次我们在 BERT 到 GPT-3（Brown et al., 2020）之间看到的那次转变：上下文学习，也就是从一个或几个例子里立刻学会的能力。

一年前，我们发布过一个用于运动控制的上下文学习器，它通过在提示里累积实时经验来适应环境（Liu et al., 2025）。今天我们分享的是旗舰机器人基础模型 S1 在操作任务上的结果，它从设计之初就是一个上下文学习器。给它看一段任务视频，长的短的、见过的没见过的，它就执行。