# Skild AI 發布 S1，單一示範影片即可免微調完成陌生長時程機器人任務
> 📖 本站完整內容索引（documentation index）：[llms.txt](/llms.txt)
> 原作者：Skild AI (@SkildAI) · 策展與摘要：EasyVibeCoding · 平台：X (Twitter) · 熱度：🔥🔥 · 日期：2026-08-26
> 原始來源：https://x.com/SkildAI/status/2092300842900865389
## 證據與延伸閱讀
- [Skild AI 發布 S1，單一示範影片即可免微調完成陌生長時程機器人任務。](https://www.skild.ai/blogs/s1)
## 中文摘要
Skild AI 發布 S1，單一示範影片即可免微調完成陌生長時程機器人任務。
**核心主張** Skild AI 將 S1 定位為新一代 robotics foundation model，讓機器人像語言模型學習一樣，從一段 video prompt 理解任務，直接輸出動作完成操作。這些任務可以完全不在預訓練資料中，也不必改動模型權重；S1 能在不同環境與機器人形態上執行。Skild AI 表示，S1 已能組合預訓練時學會的 skills，或在現場建立新的 skills，完成煮咖啡、移植盆栽、煎鬆餅與組裝套件等任務。
> 以紙本學術論文開場並帶出 in-context learning 概念與其後模型演進曲線、接著透過多角度視角展示以影片 prompt 讓機器人執行植物盆栽操作的影片
**陌生任務與長時程操作** S1 的重點不只是模仿短動作，而是處理從未看過、且需要連續數十個操作步驟的 long-horizon tasks。影片展示了雙臂機器人自主執行煎鬆餅、手沖咖啡與盆栽移植；其中植物移植的實驗從晚上 8:54 開始準備，從示範到自主執行只花 11 分鐘。Skild AI 特別指出，團隊曾以完整預訓練資料搜尋，確認資料中沒有翻鬆餅的例子，因此 S1 翻鬆餅的能力被視為從單一 video prompt 推論出的 out-of-distribution 行為。
> 雙臂機器人操作平底鍋煎鬆餅、手沖咖啡與盆栽移植等長時間任務的實時畫面
**不是逐格重播** Skild AI 表示，S1 不會盲目重現示範影片，而是展現超越示範內容的常識與調整能力：
- 面對物件位置、物件種類或光線改變，仍可能完成任務。
- 操作失誤時會重試並修正，即使示範者沒有示範恢復流程。
- 示範者提早把蛋打落時，S1 可能改用更受控的動作。
- 示範用澆水壺替植物澆水、現場卻只有水杯時，S1 會改用水杯；玻璃杯已接近裝滿果汁時，也只會補到足量。
> 一名男士站在擺放著盆栽、花盆與澆水工具的工作桌前，右手拿著噴瓶工作，背景為室內工作環境並可見機械手臂裝置。
**與傳統 VLA 的差異** Skild AI 將 S1 與 conventional language-prompted VLAs 比較：已知任務上，S1 可達到相近表現；陌生任務上，隨預訓練規模增加，Skild AI 稱 S1 的表現呈指數級優於現有 VLA。貼文另稱，若要讓目前的 VLA 達到 S1 只靠一個示範就能達到的準確度，可能需要先收集 50–100 小時資料，再進行 fine-tuning。
> S1 的單一示範影片、無後訓練條件，與現有 VLA 模型後訓練資料需求的對比折線圖
**研究結果與限制脈絡** 技術文章中的受控研究使用相同資料、運算資源與架構（prompt embedding 除外），將資料規模從 1,000 小時擴大至 100,000 小時。在已知任務上，1,000 小時資料時，語言條件模型成功率為 53%，ICL 模型為 43%；在 100,000 小時的陌生任務測試中，兩者分別為 9% 與 66%；評估 rollout 發生失敗時會由人工介入恢復，以確保所有步驟都能被評分。Skild AI 也承認，低品質或含雜訊的資料可能造成傷害，資料品質控管支出約為資料蒐集支出的三倍。這篇文章是系列首篇，後續文章才會深入說明 S1 的訓練方式。
> 比較 Known Tasks 與 Unknown Tasks 的評估圖表與 pre-training 規模對成功率的影響
**部署計畫** Skild AI 表示，S1 已於 2026 年 8 月 26 日開始與少數 industrial partners 部署，未來幾個月會逐步擴大至更多客戶。公司也提到，去年推出的 Locoformer 已展示機器人在 mobility 任務中透過 in-context learning 適應斷腿、車輪鎖死等干擾；S1 則把這項能力擴展到 general manipulation。Skild AI 將 S1 視為通往「以實體世界為基礎的通用智慧」的新方向，但目前公開內容主要聚焦能力展示與 ICL 分析，完整訓練細節仍待後續說明。技術文章：[Introducing S1: In-Context Learning for Robotics](https://www.skild.ai/blogs/s1)
> S1 機器人模型的展示畫面與效能評估折線圖
> 以單一示範影片教導機器人使用鍋鏟翻煎餅的影片畫面
> S1 模型的各情境準確率折線圖與機器人操作演示
> 黑色機械手臂正在操作並夾住一株植物的莖部，畫面上方印有白色文字「Introducing S1」，左下角帶有一個白色標誌。
> 三聯畫分別展示人員示範、VR／感測設備與機械臂操作；右側工作桌可見平底鍋、碗盤、雞蛋與白色馬克杯。
## 媒體內容
**S1 機器人模型的展示畫面與效能評估折線圖**
**影片中的 Prompt 與操作**
操作步驟：
1. （00:00）示範將綠色球體放入透明收納盒中
2. （00:01）機器人機械臂操作平底鍋翻煎鬆餅
3. （00:14）機器人機械臂夾取植物進行盆栽移植
4. （00:25）機器人執行超過 10 分鐘的長距離任務展示
5. （00:36）展示論文《Language Models are Few-Shot Learners》與 GPT 模型演進圖表
6. （01:47）機器人製作鬆餅的過程
7. （02:12）機器人製作咖啡的過程
8. （02:25）機器人進行盆栽移植任務
9. （03:41）機器人翻煎鬆餅
10. （03:58）評估圖表：已知任務 (Known Tasks) 的成功率比較
11. （04:08）評估圖表：未知任務 (Unknown Tasks) 在不同預訓練時數下的成功率
12. 評估圖表：S1 與現有 VLA 模型在後訓練示範次數與準確率的比較
13. 雙臂機器人展示綁上紅色緞帶的包裝盒任務
**逐字稿**
- `00:00` 嘿，機器人，讓我示範給你看。你會做這個嗎？（Hey robot, let me show you something. Can you do this?）
- `00:06` 人類不需要一千個範例就能學會某件事。（Humans don't need a thousand examples to learn something.）
- `00:11` 大多時候只需要一個。（They mostly need one.）
- `00:13` 今天我們要宣布 S1，一個通用型機器人基礎模型（Today we're announcing S1, a general purpose robotics foundation model）
- `00:18` 只要一部影片，就能學會各式各樣的新任務。（that can learn a wide variety of new tasks from just one video.）
- `00:23` 它可以學會時間跨度非常長的任務，長達十分鐘以上。（It can be taught extremely long horizon tasks, which are over 10 minutes long.）
- `00:28` 只要將一部影片提示傳入它的上下文視窗，就能學會訓練資料中沒有的任務（Tasks that are not present in its training data from just one video prompt）
- `00:33` 並放入它的上下文視窗。（passed into its context window.）
- `00:36` 這個概念稱為上下文學習，也是促成從 GPT-1 和 GPT-2 這類研究專案，（This concept is called in context learning and it's what defined the leap）
- `00:40` 躍升到 ChatGPT 這類革命性產品的關鍵。（from research projects like GPT-1 and GPT-2 to revolutionary products like ChatGPT.）
- `00:48` 你只要把示範放進上下文視窗，就像一個附帶範例的提示。（You place a demonstration in the context window like a prompt with an example.）
- `00:57` 它就會輸出機器人動作來完成任務。（And it emits robot actions to complete the task.）
- `01:03` 我們一次來看一個。（Let's take these one at a time.）
- `01:06` S1 可以觀看長達十分鐘的任務示範。（S1 can be shown tasks of up to 10 minutes.）
- `01:09` 它會詳細記住每一個步驟。（It remembers every step in detail.）
- `01:13` 例如，（For example,）
- `01:14` 你可以示範給機器人看怎麼做鬆餅，它就會做鬆餅。（you could show the robot how to make pancakes and it will make pancakes.）
- `01:28` 你可以示範怎麼泡咖啡，它就會用跟你一樣的方式泡出來。（You can show the robot how to make coffee and it'll make it in the same way that you did.）
- `01:42` 示範怎麼把植物種進盆栽。（Show it to pot a plant.）
- `01:45` 它也會照做。（It will do the same.）
- `01:48` 學會這麼長的任務，讓 S1 能自動化的高價值工作遠超過以往任何方法。（Learning tasks this long lets S1 automate far more valuable work than any prior approach.）
- `01:54` 它第一次翻鬆餅時，我們簡直不敢相信。（The first time it flipped a pancake, we could not believe it.）
- `01:58` 因為我們以為資料集中根本沒有翻鬆餅的資料。（Because we didn't think there was any pancake flipping data in the dataset.）
- `02:02` 哇。（Whoa.）
- `02:03` 哇。（Whoa.）
- `02:04` 哇。（Whoa.）
- `02:06` 為了確認這件事，我們花了兩天檢查所有預訓練資料。（To verify that, we spent two days going through all of our pre-training data.）
- `02:11` 大約一百萬小時的資料，只為了確認是否有任何翻鬆餅的資料混了進去。（About a million hours to figure out if any pancake flipping data had slipped in.）
- `02:17` 結果沒有。（It hadn't.）
- `02:20` 後來我們發現，（It turned out,）
- `02:21` 機器人只是透過觀看影片中鍋鏟的動作，（the robot learned to do this just by looking at the motion of the spatula）
- `02:26` 就學會了怎麼做。（in the video.）
- `02:27` 這帶出了一個重要概念，（This leads to an important concept,）
- `02:30` 也就是已知任務與預訓練資料分布，（which is the distinction between known tasks and the）
- `02:33` 以及完全新穎任務之間的區別。（distribution of pre-training versus completely novel tasks.）
- `02:37` 對已知任務來說，上下文學習的表現和由語言提示的 VLA 一樣好。（For known tasks, in-context learning performs as well as language-prompted VLA's.）
- `02:44` 但當任務在預訓練期間完全沒出現過時，上下文學習就真正展現出優勢。（But in-context learning really shines when the task is completely unseen during pre-training.）
- `02:49` 而且隨著我們擴大預訓練規模，差距會呈指數級增長。（And the gap becomes exponentially bigger as we scale pre-training.）
- `02:55` 例如，這個任務不可能存在於訓練資料分布中。（For example, this task cannot be in distribution.）
- `02:59` 這是一個以特定方式，裝入特定成分的衛生用品組。（It's a hygiene kit packed with specific ingredients in a specific way.）
- `03:05` 但 S1 能記住組合中的每個物件，以及組裝過程中的每一個步驟。（But S1 is able to remember every component of the kit and every step of the assembly process.）
- `03:12` 即使它是在部署前幾分鐘才第一次看到這些內容。（Even though it saw it for the first time just a few minutes before deployment.）
- `03:18` 因為 S1 的有效上下文視窗非常大，（Because S1's effective context window is so large,）
- `03:22` 所以會展現出幾種穩健行為。（several styles of robust behavior emerges.）
- `03:26` 第一，如果場景或其中的物件位置發生變化，（First, if a scene or the objects in it are shifted,）
- `03:30` 它能泛化到新的配置。（it generalizes to the new configuration.）
- `03:33` 第二，即使機器人犯了錯，它也能即興應變。（Second, even if the robot makes a mistake, it can improvise.）
- `03:39` 即使影片提示中的人類沒有這麼做。（Even if the human did not in the video prompt.）
- `03:43` 第三，即使人類在影片中沒有採取最佳行動，或是犯了錯，（Third, even if a human did not act optimally or made a mistake in the video,）
- `03:50` S1 也能猜出使用者想要什麼，並運用常識達成目標。（S1 guesses what the user wants and uses common sense to get there.）
- `03:56` 當我們改變提示設定、重新排列物品、翻轉物品或更換物件時，（As we change the prompt setup, rearrange things, flip things, change objects,）
- `04:00` 機器人的準確度會非常平順地下降。（the accuracy of the robot degrades very gracefully.）
- `04:04` 這表示你可以只錄製一次示範，然後部署到許多不同的地方。（This means you can record a demonstration once and deploy it in multiple different places.）
- `04:12` 在情境學習出現之前，（Before in-context learning,）
- `04:14` 任何新任務都可能需要數個月的資料蒐集與後訓練。（any new task could take months of data collection and post-training.）
- `04:18` 我們發現，若要達到 S1 只用一個提示範例就能展現的準確度，（We found that to match the accuracy that S1 shows with just one example of prompting,）
- `04:26` 目前的 VLA 模型需要以 50 到 100 小時的資料蒐集來進行訓練。（current VLA models would need to be trained with 50 to 100 hours of data collection.）
- `04:32` 直到現在，機器人一直只有資源極其雄厚的組織才用得起，（Until now, robots have only been useful for organizations with enormous resources）
- `04:37` 而且這些組織還必須願意徹底改變整套作業方式，才能導入機器人。（who are willing to change everything about their setup to bring robots in.）
- `04:42` 我們想像，透過 S1，每間小型企業、每家雜貨店、（We imagine that with S1, every small business, every grocery store,）
- `04:49` 每間醫院、每個組織，都能使用同等強大的機器人。（every hospital, every organization can have access to the same power of robots.）
- `05:00` 這些成果只是通往以物理世界為基礎的通用智慧新道路上，最初顯現的生命跡象。（These results are just the first signs of life on a new path towards general intelligence grounded in the physical world.）
**雙臂機器人操作平底鍋煎鬆餅、手沖咖啡與盆栽移植等長時間任務的實時畫面**
**逐字稿**
- `00:00` 例如，你可以示範給機器人看怎麼做鬆餅，（For example, you could show the robot how to make pancakes,）
- `00:02` 它就會做鬆餅。（and it will make pancakes.）
- `00:14` 你可以示範給機器人看怎麼泡咖啡，它就會照做。（You can show the robot how to make coffee, and it'll make it.）
- `00:21` 就跟你示範的方式一樣。（In the same way that you did.）
- `00:28` 讓它看示範如何移植盆栽。（Show it to pot a plant.）
- `00:31` 它也會做一樣的事。（It will do the same.）
- `00:34` 學會這麼長的任務後，S1 能自動化的高價值工作，比以往任何方法都多得多。（Learning tasks this long lets S1 automate far more valuable work than any prior approach.）
**以單一示範影片教導機器人使用鍋鏟翻煎餅的影片畫面**
**逐字稿**
- `00:00` 它第一次翻鬆餅時，我們簡直不敢相信。（The first time it flipped a pancake, we could not believe it.）
- `00:04` 因為我們原本不認為資料集裡有任何翻鬆餅的資料。（Because we didn't think there was any pancake flipping data in the data set.）
- `00:11` 為了驗證這點，我們花了兩天檢視所有的預訓練資料，（To verify that, we spent two days going through all of our pre-training data,）
- `00:16` 大約一百萬個小時，想確認是否有任何翻鬆餅的資料混了進來。（about a million hours, to figure out if any pancake flipping data had slipped in.）
- `00:23` 結果並沒有。（It hadn't.）
- `00:26` 後來才發現，（It turned out,）
- `00:27` 機器人只要觀察影片中鍋鏟的動作，就學會了這件事。（the robot learned to do this just by looking at the motion of the spatula in the video.）
**以紙本學術論文開場並帶出 in-context learning 概念與其後模型演進曲線、接著透過多角度視角展示以影片 prompt 讓機器人執行植物盆栽操作的影片**
**逐字稿**
- `00:00` 這個概念稱為情境內學習，也是促成這次飛躍的關鍵（This concept is called in-context learning and it's what defined the leap）
- `00:05` 讓技術從 GPT-1 和 GPT-2 這類研究專案，發展到像 ChatGPT 這樣的革命性產品。（from research projects like GPT-1 and GPT-2 to revolutionary products like）
- `00:11` 你會在情境視窗中放入一個示範，就像附帶範例的 prompt，然後它會產生機器人動作（ChatGPT. You place a demonstration in the context window like a prompt with an）
- `00:16` 來完成這項任務。（example and it emits robot actions to complete the task.）
**比較 Known Tasks 與 Unknown Tasks 的評估圖表與 pre-training 規模對成功率的影響**
**逐字稿**
- `00:00` 這帶出了一個重要的概念，（This leads to an important concept,）
- `00:02` 也就是已知任務與（which is the distinction between known tasks and the）
- `00:05` 預訓練分布之外的全新任務之間的區別。（distribution of pre-training versus completely novel tasks.）
- `00:10` 對於已知任務，情境學習（For known tasks, in-context learning）
- `00:12` 的表現和透過語言提示的 VLA 一樣好。但情境學習真正大放異彩的時候，是任務（performs as well as language-prompted VLA's. But in-context learning really shines when the task）
- `00:19` 在預訓練期間完全沒被見過，（is completely unseen during pre-training,）
- `00:22` 而且隨著我們擴大（and the gap becomes exponentially bigger as we scale）
- `00:26` 預訓練規模，差距會呈指數級擴大。（pre-training.）
**S1 模型的各情境準確率折線圖與機器人操作演示**
**逐字稿**
- `00:00` 因為 S1 的有效上下文視窗非常大，（Because S1's effective context window is so large,）
- `00:04` 因此會展現出幾種穩健的行為。（several styles of robust behavior emerges.）
- `00:09` 首先，如果場景或其中的物件發生位移，（First, if a scene or the objects in it are shifted,）
- `00:12` 它能泛化到新的配置。（it generalizes to the new configuration.）
- `00:16` 其次，即使機器人犯了錯，它也能臨機應變。（Second, even if the robot makes a mistake, it can improvise.）
- `00:21` 即使人類沒有（Even if the human did not）
- `00:24` 在影片提示中這麼做。（in the video prompt.）
- `00:25` 第三，即使人類在影片中沒有採取最佳行動，或是犯了錯，（Third, even if a human did not act optimally or made a mistake in the video,）
- `00:32` S1 也會猜測使用者想要什麼，並運用常識達成目標。（S1 guesses what the user wants and uses common sense to get there.）
- `00:38` 當我們改變提示的設定、重新排列物品、翻轉物品、變更物件時，（As we change the prompt setup, rearrange things, flip things, change objects,）
- `00:43` 機器人的準確度會非常平順地下降。（the accuracy of the robot degrades very gracefully.）
- `00:47` 這代表你只要錄製一次示範，（This means you can record a demonstration once）
- `00:50` 就能在多個不同的地方部署它。（and deploy it in multiple different places.）
**S1 的單一示範影片、無後訓練條件，與現有 VLA 模型後訓練資料需求的對比折線圖**
**逐字稿**
- `00:00` 在情境學習出現之前，（Before in-context learning,）
- `00:02` 任何新任務都可能需要花上數個月收集資料並進行後訓練。（any new task could take months of data collection and post-training.）
- `00:07` 我們發現，為了達到 S1 只需一個提示範例就能展現的準確度，（We found that to match the accuracy that S1 shows with just one example of prompting,）
- `00:14` 目前的 VLA 模型需要透過 50 到 100 小時的資料收集進行訓練。（current VLA models would need to be trained with 50 to 100 hours of data collection.）
## 標籤
新產品, Agent, Robot, Skild AI