Skild AI 推出了 S1，这是该公司面向机器人的新基础模型，无需微调即可从单段视频演示中学习此前未见过的任务。

Skild AI 在周二发布于 X 的帖子中表示，S1 使用上下文学习来执行最长可持续 10 分钟的长时域任务。该公司称，S1 可以在各种环境和不同的机器人形态上执行这些操作。

演示的技能包括制作咖啡、给植物换盆和煎松饼，而这些技能并不在模型的预训练数据中。

“S1 第一次翻松饼时，我们以为翻松饼一定出现在它的预训练数据中，”Skild AI 表示。“我们搜索了全部预训练数据，却没有找到任何翻松饼的示例。S1 从一条视频提示中推断出了这一分布外任务。”

据该公司称，与传统的视觉-语言-动作（VLA）模型相比，S1 实现了“跨越式”提升——对于已知任务，它能够达到语言提示型 VLA 的性能；而在学习全新任务方面，其表现超过了现有的语言提示型 VLA。

Skild AI 估计，现有 VLA 模型需要额外收集 50 至 100 小时的数据并进行微调，才能达到相当的一次示例准确率。

团队还指出，他们的新模型不会盲目模仿视频演示，而是展现出超越给定提示的“常识”理解能力。它能够承受扰动、即兴应对，甚至展现出比视频演示更高的精确度。

S1 延续并扩展了 Skild AI 去年在 LocoFormer 中公布的移动性上下文学习能力。LocoFormer 能够让机器人适应腿部失灵、轮子锁死等干扰。

Skild AI 表示，已开始向少数工业合作伙伴部署 S1，并计划在未来几个月扩大推广范围。