Skild AI于8月25日发布S1机器人基础模型，核心能力是仅凭一段人类视频演示，即可执行此前未见过的长时序操作任务（最长约10分钟），无需任何微调或额外训练数据。基准测试显示，在100k小时预训练规模下，新任务平均步成功率达66%，远超标准VLA基线的9%。[[1]](https://www.humanoidsdaily.com/news/skild-ai-unveils-s1-in-context-learning-for-long-horizon-robot-manipulation)[[2]](https://cryptobriefing.com/skild-ai-s1-robotics-model-video-learning/)
这一突破正值物理AI从“演示级”转向“部署级”的关键节点。过去一年，具身智能融资激增四倍，但多数方案仍依赖海量任务特定演示或世界模型生成。Skild的in-context学习直接把提示范式从语言/代码领域延伸到物理世界，相当于把“少样本适应”能力落地到机器人本体。相比之下，传统VLA路线需要数千次遥操作演示才能达到类似效果，而S1仅用一段视频即可匹配或接近。
与OpenAI、Anthropic等聚焦数字代理的路径形成鲜明对比，Skild把竞争焦点从模型规模转向“物理直觉+即时适应”。这也解释了为什么DeepMind校友创业公司Inherent等小团队宣称小型AI队友在复现论文上胜过前沿大模型——效率与泛化正在成为新变量。
短期内，S1若能在工业场景稳定落地，将显著降低机器人部署门槛；长期看，它可能加速“人形机器人ChatGPT时刻”的到来。但可靠性跨任务、跨机型的一致性，以及与现有硬件生态的兼容性，仍是悬而未决的观察点。[[3]](https://x.com/RoozbehMottaghi/status/2092310571253420516)
信源：
https://www.humanoidsdaily.com/news/skild-ai-unveils-s1-in-context-learning-for-long-horizon-robot-manipulation (2026-08-25)
https://cryptobriefing.com/skild-ai-s1-robotics-model-video-learning/ (2026-08-25)
https://x.com/SkildAI/status/2092300842900865389 (2026-08-25)