AREX Feed Article
Skild AI 发布机器人基础模型 S1：单个视频提示，实时学会最长 10 分钟未见任务
8 月 25 日，Skild AI 在官方 X 账号宣布推出机器人基础模型 S1，并同步上线技术博客《Introducing S1: In-Context Learning for Robotics》。称，S1 只需一个视频演示作为提示，就能实时学会预训练中从未见过的任务，最长可达 10 分钟，全程无需微调。
公司给出的最具体证据是一条时间线：在记录的植物换盆实验中，从演示到 S1 在真机上自主执行，博客给出的时间是 11 分钟；在未见任务上，S1 相对语言提示的策略获得约 7 倍的成功率提升（66% 对 9%）。这些数字均为公司自报，博客没有附论文、模型权重或第三方评测链接。
一个视频提示，替代了语言指令
推文原文写道："Introducing S1, our new foundation model that learns from one example. It can be taught 10-minute long tasks that it has never seen before, from one video prompt without any fine-tuning."（介绍 S1，我们的新基础模型，它从一个例子中学习。一条视频提示就能教会它从未见过的、长达 10 分钟的任务，无需任何微调。）推文附带的视频展示 S1 通过上下文学习实时运行；截至 8 月 26 日，该推文显示约 160 万次观看、3,600 余次点赞和 350 条引用。
博客把 S1 的核心设定写得很直接：任务由视频演示指定，而不是语言。它展示了四个 S1 从未训练过的任务：植物换盆、煎饼翻面、手冲咖啡和套件组装。每个任务最长运行 10 分钟、包含几十个操作步骤，全程只由一个视觉演示驱动。
博客称，S1 在其中展现了全新的测试时行为：挖开土壤给植物腾出位置、把咖啡滤纸压进滤斗、把煎饼翻面。用博客的话说，它把演示当作目标规范，而不是照抄的轨迹。
演示进入上下文，权重一动不动
S1 的学习方式与微调无关。预训练阶段，模型看到的每段数据都只通过一个上下文演示来指定任务；演示可能来自不同的场景、视角甚至不同的机器人本体，策略必须自己推断演示者的意图、物体间的功能对应关系和任务进度。
推理阶段，演示视频直接进入上下文窗口，策略把它翻译成自己本体和当前场景下的动作。用博客的元学习表述：预训练是外循环，教策略学会如何从上下文学习；推理时演示驱动内循环，任何权重都不改变。博客强调，文中所有示例由同一套权重产出，没有微调、没有后训练。
训练与数据侧的信息：S1 基于 NVIDIA AI 基础设施训练；数据来自遥操作、UMI、第一人称视频和仿真四条线，这四类数据在硬件接近度、多样性和可扩展性上各有取舍，Skild 全部自建，并称每花 1 美元采集数据，就花 3 美元做质量控制。
博客还列举了它观察到的涌现行为：任务中途把物体滑走、调换物体、改变光照，S1 照常完成；失败后会重试；演示用浇水壶浇花而现场只有杯子时，S1 用杯子代替；演示者打翻鸡蛋留下烂摊子，S1 用受控动作完成同一步骤。
11 分钟学会换盆，7 倍提升从哪来
植物换盆是博客唯一给出完整时间线的任务。晚上 8 点 54 分，土壤、花盆、浇水壶和植物送到办公室；9 点 16 分布置好场景、开始录制演示；9 点 22 分录完一段第一人称人类演示；9 点 27 分，S1 开始在真机上自主执行。博客给出的口径是：从演示到自主执行共 11 分钟，其中大部分时间花在搬家具和布置场景上。
7 倍数字来自一项受控对比。Skild 在预训练数据的一个过滤子集上分别训练了 ICL 策略和语言提示的 VLA 策略，数据规模从 1,000 小时到 10 万小时，除提示嵌入外架构相同、算力相同。指标是全部任务的平均每步成功率；为了给每一步打分，评测中用人工干预让策略从失败中恢复。
结果分两种情形。已见任务上，1,000 小时数据时语言条件策略以 53% 对 43% 领先，但数据规模扩大后 ICL 反超。博客把原因归于语言本身有歧义，而演示指定的是唯一模式。未见任务上差距拉大：10 万小时数据时，语言提示策略的成功率只有 9%，ICL 是 66%，即约 7 倍。博客给出的解释是两点：新技能（如翻煎饼）缺少语言可依托的动作接地，新任务组合也很难用一句语言指令说清。
另两个数字同样来自自报：一次上下文演示约等于 380 个后训练样本（按插值估计）；用 2,000 个演示微调后的策略达到 86%，反超 S1 的 66%。Skild 称随着 ICL 预训练规模扩大，这个差距会缩小。在分布偏移测试中，让一半动作改由另一只手臂执行（L5 级别），语言提示 VLA 的退化幅度是 ICL 策略的至多 3 倍。
机器人还困在「BERT 时代」
博客的叙事起点是把机器人学习比作语言模型的 BERT 时代：每个新任务都要重新采集数小时数据、微调一个专用策略。它引用 FACTR 2 研究的结论反问：后训练数据足够大、覆盖足够密时，从零训练的策略也能追平微调后的基础模型，那预训练还有什么意义？
Skild 的答案是把预训练的意义定义为上下文学习本身。过去一年它沿着这条线推进：2025 年 9 月发布运动控制领域的上下文学习模型 LocoFormer，它靠把实时经验累积进提示来适应；2026 年 2 月首次在分布内操作任务上看到 ICL 迹象；2026 年 5 月 S1 翻出第一张煎饼；2026 年 8 月正式发布 S1。
博客援引 Jim Fan 的话为这套框架背书："Once you have enough data, many behaviors can actually be zero-shot... Whether in-context learning truly works or not also depends on how far away the test is from training."（数据足够多时，许多行为其实可以零样本完成……上下文学习是否真的有效，也取决于测试离训练分布有多远。）因此它用两条轴评估 ICL：任务是否在预训练分布内，任务时程是短是长。
按 Skild 的判断，同期工作（Jiang 等人的 RoboTTT 和 Generalist AI 的报告）大多只覆盖短时程或分布内任务，而 S1 是首个在最长 10 分钟、预训练中从未见过的任务上展示上下文学习的机器人基础模型。这一判断出自公司自述，博客未附可独立核验的评测材料。
自报的数字，和还没公开的东西
S1 目前对外展示的公开材料包括公告推文、一篇博客和演示视频。博客没有附论文、权重或第三方评测链接，所有成功率都来自内部基准；页面元数据中的时间戳为 8 月 18 日，公开发布节点则是 8 月 25 日的官方 X 公告。
博客自己也承认了边界：微调策略在 2,000 个演示后仍能以 86% 超过 S1 的 66%，差距能否缩小取决于 ICL 预训练是否继续扩大。博客提到的落地进展是：S1 已经在商业伙伴处工作，新任务的快速部署会把真实交互经验喂回预训练。
这篇博客被定位为系列文章的第一篇，S1 的训练方法细节留待后续发布。在那之前，「11 分钟学会换盆」和「7 倍于语言提示」都只是 Skild 自己报告的数字。