一次演示即可学会：证据的现状

8月24日，一家美国公司发布了一套系统：给机器人看一段 3到12秒的视频， 它就能学会一项从未做过的工作。零重新训练，零代码：机器人观察演示， 然后照做。这类公告六个月后就会变成报价单，摆上工厂主管的办公桌； 因此我们花了两天时间，核查它背后到底有什么。写出来的东西与其说 是一篇机器人学笔记，不如说是一份用来阅读此类新闻稿的核查清单。

公告与现有资料

这套系统叫 GEN-1.5，来自 Generalist AI——一家 2024年创办的公司，创始人是两位前 Google DeepMind 员工和一位前 Boston Dynamics 员工；已融资约4亿美元，投资方包括 NVIDIA 和 Bezos Expeditions。这是十个月内发布的第三个模型：GEN-0 （2025年11月：超过100亿参数，27万小时的真实操作数据，由操作员 手持带摄像头的夹爪采集），GEN-1（2026年4月：所展示任务的 平均成功率从64%升至99%，数据超过50万小时），现在是 GEN-1.5。

公司对 GEN-1.5 的宣称是：在十个全新任务上，仅凭一次演示、模型 不做任何改动，平均成功率达 59%；用五分钟数据做十步训练后 达到 83%。其背后的理念值得关注：打造通用机器人，关键在 于数据量，而不是设计。

短板在于文档。没有科学论文，没有同行评审，没有可下载的权重， 没有公开基准，也没有任何与其他系统的对比。有的是公司博客上的三篇 文章、几段视频，以及在此前不久完成的几亿美元融资。

不过也得承认，这篇博客文章比转载它的媒体诚实：公司自己承认任务 简单且短、成功率有限、即时学会的技能很脆弱、超参数从未优化。每条 限制一句话，白纸黑字出自他们自己——却在第二天几乎所有的报道中 消失了。

0.15%的论据：超参数的产物

他们用来支撑论点的论据，原文照引如下：十步训练使模型权重的移动 幅度不到0.15%，因此模型"只是轻微地重新配置已有的知识， 而不是构建新的表征"。乍一看很有冲击力：变化微乎其微，成功率 却提高了24个百分点。

重新算一遍就会发现，这个数字什么也证明不了。AdamW——几乎所有 这类模型都用它训练的优化器——会对每次更新做归一化：单个 参数每一步走多少，由学习率决定，而不是误差的大小。对一个100亿 参数的模型，用任何处于正常范围的学习率（百万分之二到二十之间） 走十步，权重的总移动幅度都在0.15%左右，与模型知道什么 无关。走一百步，你会读到1.6%；走一千步，16%。

本质上，"十步让权重移动不到0.15%"这句话——上下差个两倍—— 等价于"我们跑了十步"。佐证来自该公司自己，就在下面两行："学习率 更高时性能更好"。调高学习率会机械地抬高这个数字；如果这个数字 小能证明什么，那一次好的优化反而会摧毁这个证据。

尽管如此，这个结论很可能是对的。真正支撑它的是另一个 数据，而 Generalist 手里就有，只是把它当成产品功能展示了出来： 冻结权重下取得的59%。如果一个模型在没有收到任何一次更新的 情况下完成了从未见过的任务，那所需的知识必然早已在它内部—— 事后根本没有任何地方能让它进来。为了论证观点，他们挑了手里最弱的 数字，大概是因为"0.15%"听起来更有冲击力。

泛化还是检索：决定性的问题

隐藏在下面的，是一个单独就足以成就或推翻该公司评估的问题：模型 是在泛化，还是在检索？换句话说：演示向它传递了 新东西，还是仅仅充当一个选择器，从它在50万小时训练中已经见过的 技能里挑一个出来？

还要指出，这个机制已有先例。第一个让机器人模仿留在上下文中的 演示、而不动权重的工作，可以追溯到2024年8月：它叫 ICRT，在 Franka 机械臂 上运行，并且公开了论文、代码、权重和数据，任何人都可获取。因此 Generalist 宣称的新意不在机制，而在规模：有了50万小时的积累， 这件事普遍有效，而不只是在精选的案例中有效。而这恰恰是从外部 无法核查的部分。

两种答案描绘出相反的经济图景。如果检索占上风，规模曲线就变成 一条覆盖定律：每多一小时数据，就多买下一块案例空间，回报 是线性的，而且这座仓库永远不会耗尽。如果泛化占上风，那就是一条 泛化定律：每一小时都会增强模型的能力，甚至包括无人采集过 数据的任务。两种世界里展示的是同一条曲线；改变的是它的含义， 其余一切都由此推导而来。

文章给出了三个认真支持泛化的线索；奇怪的是，最有说服力的那个 没有被用上。在模拟器里录制的演示能用在实体机器人上，尽管 训练数据里没有任何模拟的痕迹。靠纯视觉相似性运作的系统在这里会 失败，因为渲染出来的画面与任何已观察过的东西都不像：要做到这一点， 必须抛开外观、提取出运动本身。

但同样重要的是三件缺失的东西。没有展示两次或五次演示而非一次 的效果曲线——对于声称具备这种能力的人来说，这是最容易做的图， 除非结果是平的。没有用错误的演示做的测试：这是决定性的 检验，一天就能做完。而针对记忆化嫌疑的核查，是在1,891,392个场景 上做的一次文本检索：找到的是相同的标签，而不是相同的 动作。

一个独立的测试基准：VLA-Arena

评判一则公告需要一个由别人测量的参照。正好有一个：它叫 VLA-Arena， 来自北京大学的一个团队，已被 ICML 2026 接收，并且公开了一切—— 基准、数据、代码和排行榜。

它的原则是：把难度变成一个受控变量。训练只在基础难度上进行； 评估在两个从未见过的难度上进行，交叉施加文本和图像的扰动。把它 应用到六个被视为最先进水平的模型上，结论是"记忆而非泛化"。 其中有一个数字值得写在这里：

在原子技能上，六个模型的成功率在66%到93%之间。一旦被要求 连续执行两项，全部跌到零或略高一点，三次重复的方差为零： 这不是统计噪声，而是一堵墙。换到实体机器人上，平均值从基础难度的 60%跌到第二难度的3.3%。而把多次演示串联起来，恰好是 GEN-1.5 在 视频里展示的能力之一。

还有第二个结果，影响更具结构性。这类模型的做法是把一个大型 视觉-语言模型嫁接到机器人上；VLA-Arena 测量的是微调之后这种能力 还剩多少。在最严的视觉扰动下，原始模型的物体识别能力下降6.7%； 由它衍生出的机器人模型则下降50.5%。换句话说，行业当前的 配方是从一个会泛化的模型出发，然后训练到它忘记为止。在这一点上 必须给 Generalist 记一功：用十步做适配而不是重新训练，也正是 远离这种灾难的办法。

最后是安全性，基准把它作为独立的一轴来衡量，与成功率分开： 一个回合也可能在成功的同时违反约束——碰撞、推挤、打翻 东西。在实体机器人上，仅第一难度，十个回合中就有六个被判定为 不安全。对于正在评估是否在车间采用这类系统的人，这一项不在 成功率里：它在责任里。

公允地说：VLA-Arena 考察的模型是开源的、中等规模、每个任务用 五十条演示微调的。它们与在50万小时上成长起来的模型不属于同一 类别，也不能证伪 GEN-1.5。它们的作用是另一个：标明这个主张有 多么非同寻常，以及因此在采信之前需要多少证据。

现有证据的性质

我们试图回答那个最显而易见的问题。答案是：没有任何独立 观察者。这个模型的全部存在是一篇博客文章、几段视频和一条 X 上的消息。能找到的每一篇新闻报道，包括行业媒体，都源自那篇 文章："公司宣布"、"据公司称"，附一个博客链接。没有记者现场看过 演示；没有人能提出自己选的任务。

但让我们学到最多的是另一个细节。四月份，在 GEN-1 的 文章里，公司写明："这些视频是1倍速、完全自主的，没有加速"； 逐一标注加速过的片段，并公布无干预的连续重复次数——连续 86次、200次、1800次。这正是正确的写法，因为它排除了只挑成功的 那次尝试——机器人视频里常见的做法。

在 GEN-1.5 的文章里，这些全都不见了：关于播放速度、 自主性、每段视频试了多少次，只字未提。透明度恰恰在主张变得 非同寻常的这次发布中倒退了。单凭这一点证明不了什么；但它是我们 第一件要去核查的事。

也要如实报告两条相反方向的情况。人是真实存在的，履历可查； NVIDIA 和 Bezos Expeditions 在投钱之前做过尽职调查：这不是一个 空壳。而且8月25日，二十四小时后，Skild AI 提出了形式完全 相同的主张——以人类视频为提示、不做重新训练——任务长达十分钟， 同样留下证据真空。因此，这一主张并不只属于一家公司。

结论：一份评估核查清单

从这项工作中提炼出的核查清单适用于任何人工智能公告，不只针对 机器人。六个问题，按成本从低到高排列。

1. 是有证据，还是只有一篇文章？ 论文、权重、代码、公开 基准。如果四样全缺，你手里拿的就是一份新闻稿，无论语言看起来 多么技术化。

2. 给你的那个数字取决于做展示的人吗？ 0.15%取决于走了 多少步。一个转动旋钮就升就降的数字，描述的不是系统：描述的是 旋钮。

3. 相对于什么测量的？ "与什么都没有对比"不算数。缺少 参照，这个数字就没有计量单位。

4. 输入错误时它表现如何？ 如果给一条错误的指令，系统的 表现几乎不变，说明它根本没在读指令。在一个标准基准上，使指令 失效只让性能下降28%：那些模型完成任务靠的是观察场景，对被要求 做什么毫不在意。

5. 展示的任务是短还是长？ 惊艳的结果几乎总是只持续几秒 钟，且只包含一个失败点。概率会连乘：每一步90%，五步就是59%。 永远要求看长版本。

6. 还有谁见过？ 有多少家媒体报道不算数：那衡量的是公关 办公室。算数的是谁能提出自己选的任务。

提出这些问题，不需要是机器人学专家。需要知道的是往哪里看， 并愿意接受这样的答案：很可能是真的，但迄今无人证明。而这恰好 就是我们对 GEN-1.5 的判断。

注释与参考

GEN 系列模型的数据来自 Generalist AI 的三篇公司博客——GEN-0 （2025年11月）、GEN-1（2026年4月）、GEN-1.5（2026年8月）—— 因为这些模型没有科学论文。关于 Skild AI：S1 的公告（2026年8月25日）。

调查中引用的学术工作：

• B. Zhang et al., VLA-Arena: An Open-Source Framework for Benchmarking Vision-Language-Action Models, ICML 2026 — arXiv:2512.22539。 第四节讨论的独立测试基准。
• L. Fu et al., In-Context Imitation Learning via Next-Token Prediction, 2024 — arXiv:2408.15980。 不更新权重的上下文内模仿学习的先例。
• I. Loshchilov, F. Hutter, Decoupled Weight Decay Regularization, ICLR 2019 — arXiv:1711.05101。 AdamW 的论文，第二节计算的基础。
• S. Min et al., Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?, EMNLP 2022 — arXiv:2202.12837。 错误输入测试（清单第四问）的方法论先例。