自變量機器人發布 HOST：看單段平均 29 秒人類影片即可學新技能，速度快約 507 倍

據愛範兒單一來源報導，自變量機器人發布 HOST（Human-to-robot One-Shot Skill AcquisiTion）機器人學習框架，讓機器人僅觀看單段平均 29 秒的人類示範影片，即可在不蒐集新任務遙操作資料、不微調模型參數的情況下取得新技能。研究團隊在雙臂機器人平台測試 50 項訓練時未見的新任務，包括放水果、堆碗、擦盤子、插筆及摺襪子；50 項任務均有成功紀錄，主要測試任務的平均成功率為 62%。報導稱，最強的監督微調基準需由專業人員遙操作完成 50 次示範，從資料蒐集到訓練通常耗時 4 小時；HOST 將示範數量降至五十分之一，技能取得速度較最快的 SFT 基準快約 507 倍。HOST 不直接複製人類肢體動作，而是將人類影片與機器人執行狀態映射至同一向量空間，透過動態時間規整演算法依任務進度對齊，使進度誤差由 0.079 降至 0.006。其 Localization & Vision 模組會判斷當前進度，並依人類示範結果產生機器人視角下應達成的畫面；Action 模組再計算機械臂達成該畫面所需的動作。這裡的 one-shot 是指面對新任務時僅需一段人類示範，技能取得全在推論階段完成，並不代表基礎模型未經預先訓練。訓練第一階段使用 193,462 條機器人軌跡及對應影片，涵蓋 229 項任務；第二階段加入 5,847 組人類任務影片與機器人軌跡配對資料，以學習將人類執行畫面轉換為機器人視角。研究另以七項既有任務測試災難性遺忘：π0.5+SFT 學習新任務後僅保留原有表現的 17%，Wall-OSS+SFT 保留 40%；HOST 因未修改模型參數，舊任務表現基本不受影響，較最佳微調基準高 59 個百分點。抗干擾測試中，HOST 在標準環境的平均成功率為 62%；改變光照後下降 1 個百分點、替換同類物體後下降 4 個百分點、更換場景後下降 6 個百分點，執行途中移動物品後下降 9 個百分點至 53%。報導稱，自變量機器人與北理工、清華已公開 HOST 論文、GitHub 實作及 Hugging Face 頁面；經查證，arXiv 頁面標示論文日期為 2026 年 7 月 23 日，官方 GitHub 實作的搜尋結果日期為 2026 年 7 月 24 日。