Skild AIは、1本の動画によるデモンストレーションだけで、微調整なしに未知のタスクを学習できる同社の新たなロボティクス向け基盤モデル「S1」を発表した。

Skild AIは火曜日の投稿で、S1は最大10分間続く長期タスクを実行するために、文脈内学習を利用すると説明した。同社によると、S1はさまざまな環境や異なるロボットの形態で、これらの動作を実行できる。

実演されたスキルには、コーヒーを入れる、植物を鉢に植える、パンケーキを焼くといったものが含まれており、いずれもモデルの事前学習データには含まれていなかった。

「S1が初めてパンケーキをひっくり返したとき、私たちはパンケーキをひっくり返す動作が事前学習データに含まれているに違いないと考えました」とSkild AIは述べた。「事前学習データ全体を検索したところ、ひっくり返す動作の例は見つかりませんでした。S1は1本の動画プロンプトから、分布外のタスクを推論したのです」

同社によると、S1は従来の視覚・言語・行動（VLA）モデルと比べて「大きな飛躍」を遂げている。既知のタスクでは、言語プロンプトで指示するVLAと同等の性能を発揮できるほか、まったく新しいタスクの学習では、既存の言語プロンプト対応VLAを上回るという。

Skild AIは、既存のVLAモデルが同等の1例学習の精度に到達するには、追加で50～100時間のデータ収集と微調整が必要になると見積もった。

チームはまた、新モデルが動画によるデモンストレーションを盲目的にまねるのではなく、与えられたプロンプトを超えた「常識的な」理解を示すと指摘した。外乱に耐えたり、即興で対応したり、動画で実演されたものよりも高い精度を示したりすることも可能だという。

S1は、Skild AIが昨年LocoFormerで発表した移動に関する文脈内学習機能を拡張したものだ。LocoFormerにより、ロボットは脚が使えなくなったり車輪がロックされたりするような障害に適応できるようになった。

Skild AIは、限定的な産業パートナーへのS1の導入を開始しており、今後数カ月以内により広範な展開を計画していると述べた。