机器人开始“看一遍就会”：HOST与GEN-1.5如何免重训学会新技能

机器人学习正在从“为每项任务重新训练”转向“看示范后即时执行”。HOST和GEN-1.5代表了这一转变：机器人并非从零开始学习，而是先依靠大规模预训练获得通用的物理操作能力，再把一段简短的人类视频作为当前任务的上下文提示，直接生成动作。

这意味着，用户不必为每个新任务采集数百条机器人演示、重新微调模型，甚至不必逐步编写动作程序。更准确地说，昂贵的通用训练被提前完成；当新任务出现时，演示视频只负责告诉机器人“要做什么、操作顺序大致如何，以及任务进展到哪一步”。

两套系统的核心差异

维度	HOST	GEN-1.5
开发团队	北京理工大学、清华大学与 X Square Robot	Generalist AI
核心机制	一次性视觉模仿策略，将机器人当前执行进度与人类视频对齐，并通过自我视角的结果预测推导下一步动作。	大型多模态具身基础模型，把传感器运动演示作为上下文中的“物理提示”，随后生成机器人动作。
输入与输出	人类视频、语言指令、机器人近期观测和本体感知信息；在执行阶段输出动作，不更新模型参数。	最多约30秒的视频记忆，以及视觉、语言、传感器和本体感知输入；据公开介绍可生成100赫兹的动作轨迹。
训练基础	两阶段训练：先利用193,462条、覆盖229项任务的机器人轨迹进行预训练，再使用5,847组自采集的人类视频—机器人轨迹配对数据进行适配。	公司称其在真实物理交互数据上持续训练超过8个月，预训练阶段不使用仿真数据。
单次演示时间	平均约29秒即可获取一项新技能。	公司宣称一次演示只需3至12秒。
是否需要传统重训练	不需要。新技能在推理阶段获取，不进行任务专属参数更新。	一次性物理提示不需要梯度更新或微调。
任务覆盖	在50项训练阶段未出现的新操作任务上测试，涵盖不同物体、工具和操作原语；每项任务进行20次试验。	公开演示包括开罐、拉开拉链袋、将物体扫入碗中、把马克笔放入杯子、倾倒螺栓，以及工具使用和临场变体等。但目前没有公开一套规格相当的标准化任务测试。
成功率	新任务平均成功率为62%。	公开资料尚不足以独立核实一个可与HOST直接比较的一次性学习综合成功率。
基线与适配比较	研究团队称其表现比最强的零样本模仿基线高45%，并超过每项任务使用50条机器人演示进行监督微调的方案。	公司称，一次提示不足以完成困难任务时，可使用1至5分钟数据进行少样本适配，仅需1至10次梯度更新，约相当于10至50次演示。
效率主张	相比每项任务使用50条机器人演示的监督微调，技能获取速度约快507倍。	将通常需要数万次梯度更新的任务训练，替换为3至12秒的一次性提示；必要时则采用1至10次适配更新。这一比较目前主要是公司主张，尚未有独立基准支持。

HOST：把视频变成“进度提示”，而不是动作录像

HOST的关键并不是简单地把人类手臂的轨迹复制给机器人。由于人的身体结构、视角和机器人机械臂都可能不同，直接复现坐标往往难以稳定工作。

HOST采用的是一种与任务进度相关的模仿方式：系统先判断机器人目前处于任务的哪个阶段，再在演示视频中寻找相应的进度位置；随后，它从机器人自身的视角预测完成目标后可能出现的结果，并据此反推出需要执行的动作。

这种设计让视频成为“正在执行什么任务”的动态参照，而不是一条必须逐帧重放的动作轨迹。由于模型参数在推理阶段保持不变，机器人获得新技能时也不会因为微调而覆盖此前掌握的能力。

在实验中，HOST覆盖了50项新的桌面操作任务，每项任务进行20次试验，平均成功率为62%。这说明单段人类视频确实可以帮助机器人跨越新的物体、工具和操作方式，但也说明它距离“任何任务都能可靠完成”仍有明显距离。

研究团队还报告了多种干扰测试结果：在改变光照、物体、场景和加入人类干扰后，系统相对原始表现的成功率损失分别约为1%、4%、6%和9%。

GEN-1.5：将演示放进具身模型的上下文窗口

GEN-1.5采取了更偏向通用基础模型的路线。Generalist AI将一段传感器运动演示称为“物理提示”：模型把这段视频放入上下文窗口，结合自身的视觉、语言、传感器和本体感知信息，随后直接尝试执行任务。

公司公开展示的任务包括打开罐子、拉开袋子拉链、把物体扫进碗里、将马克笔放进杯子，以及倾倒螺栓等。相关公告还宣称，模型具备一定的人类动作到机器人动作迁移、行为组合、工具临时使用，以及从仿真演示提示现实执行的能力。

不过，“一次提示”并不意味着GEN-1.5在所有任务中都完全不需要训练。对于一次演示难以解决的任务，公司还提供少样本适配路径：使用1至5分钟数据，执行1至10次梯度更新，约对应10至50次演示。因此，更准确的表述是：简单或已被基础模型覆盖的任务可以一次性提示；更困难的任务仍可能需要极少量适配。

两项成果真正证明了什么？

两项研究共同支持了一个重要方向：机器人学习新动作的交互方式，可以更接近人类教学——“做给它看”，而不是“为它编程”。

传统机器人学习通常需要为每个任务收集大量机器人数据，再进行任务专属训练。这样的流程成本高、周期长，而且反复微调可能导致模型遗忘旧技能。HOST和GEN-1.5则把大规模训练的作用前置，让预训练模型掌握广泛的物理先验；在部署时，只需用一段演示指定新的目标和操作过程。

但这里的“免训练”需要准确理解：机器人并不是没有经过训练，也不是仅凭一段视频就从零学会物理规律。真正被省略的是面向当前任务的传统重训练。HOST报告的平均29秒获取时间和约507倍速度提升，正是这种“把通用训练成本摊薄，再用短演示完成任务指定”的体现。

仍需谨慎看待的限制

• HOST的结果来自受控实验。 论文在50项选定的新操作任务上报告了62%的平均成功率，但这并不等同于机器人已经能在开放家庭环境、复杂工业流程、长时任务或安全关键场景中稳定工作。

• HOST仍需要更广泛的复现。 其结果有较清晰的实验任务和试验次数，但独立团队在不同机器人、不同环境和不同任务分布上的验证，仍是判断实际泛化能力的重要一步。

• GEN-1.5的公开证据较难独立评估。 关于模型能力、训练时长、预训练不使用仿真数据、演示时长和适配方式的信息，主要来自Generalist AI及其公告，或由相关报道转述。

• GEN-1.5尚缺少可直接对比的公开基准。 目前没有足够的独立公开证据，能够确认其标准化任务数量、统一试验协议、综合一次性成功率、基线对比、模型与数据发布情况，或第三方复现结果。因此，现有演示更适合被视为能力潜力的证据，而不是已经确立的性能上限。

综合来看，HOST提供了较具体的学术证据，表明机器人可以在推理阶段通过单段人类视频、无需更新参数，获取一项定义明确的新操作技能；GEN-1.5则表明，规模足够大的具身预训练模型，可能把类似能力发展为通用模型的上下文学习能力。

方向本身令人关注，但结论仍应保持克制：机器人“看一遍就会”正在出现，却还不能替代开放环境中的任务验证、安全工程和必要的适配训练。