最近有小伙伴跟我吐槽：做 Agent 最崩溃的，每遇到一个新任务，还是得重写 Prompt、改 Workflow、重新调试。

他说这话的时候，我刚看完自变量机器人开源的新项目HOST，让机器人只看一段人类示范视频，就能获取新技能，原技能也几乎不受影响。

我们聊完一致认为：这不就是 Agent 该有的样子吗？

这个项目全称叫 Human-to-robot One-Shot Skill AcquisiTion，人类到机器人单样本技能获取。

论文给出的数字更直接：HOST让机器人看一段平均29s的人类视频，就能学会一个新技能，成功率 62%，比花 4个多小时后训练微调的模型还高。相比微调模型的方案，HOST让新技能学习提速了500倍，数据却只需 1/50。

接下来我们详细聊一聊，它是怎么做到的。

01 HOST凭什么看视频学会技能

之前也不是没人试过让机器人看视频学技能，但效果一直不理想。

原因有两个。

第一，人和机器人动作节奏不一样。 人倒杯水可能用3秒，机器人执行同样的动作可能需要5秒。如果按时间对齐，机器人看到的人类动作和它当前正在做的动作完全对不上。

第二，人和机器人身体结构不同。 人类的手臂和六轴机械臂完全不同，直接模仿动作根本行不通。

之前的方法基本就是硬学——把视频帧压缩成特征，直接映射到机器人动作。结果就是效果差、成功率低。

HOST换了个思路。

它先不管时间，而是管进度。

什么意思？就是把倒水这个任务抽象成一系列进度状态：开始→拿杯子→倾斜→水流出→停止→放回。不管你是人还是机器人，只要在完成同一个任务，你们就在同一个进度标尺上。

HOST用一个自监督学习的对齐模块，把人类视频和机器人轨迹映射到这个共享的任务进度流形上。

然后，视频不再是旁观者，而是领航员。

机器人当前执行到任务进度的哪个阶段，HOST就去视频里找对应阶段的下一帧，然后让机器人跟上视频的进度。

更进一步，HOST不直接学从视频到动作的映射，而是拆成三步：

1. 机器人先找到，现在做的事情对应任务视频中的哪个位置？
2. 根据人类做任务的视频画面，想象如果是机器人自己做动作，接下来应该看到什么画面？这一步，视角、本体构型都要转换过来，是最难的一步。
3. 从想象出的机器人视角画面，推导出要实现这个画面需要做出的具体动作。

这个过程叫做自定位级联预测。

说白了就是：先搞清楚自己到哪儿了，再想象这个动作如果是自己做，应该看到什么，将结果反推出动作，最后指挥自己的手去做。

这套逻辑，跟人类“观察学习”的方式非常接近：不是模仿动作本身，而是从看到的结果，依照经验想象哪些动作能实现。

02 三个“惊喜数字”，碾压主流微调方案

HOST在50个全新的操作任务上做了测试——这些任务的技能在训练数据里完全没出现过，涵盖不同物体、不同工具、不同操作方式。

结果有三个数字让我印象深刻。

第一个数字：62%。

HOST从一段人类视频学会新技能，平均成功率62%。而同类从视频学习的最强模型AWDA（也是不微调、直接推理），成功率只有19%。HOST直接提升了43个百分点。

更狠的是第二个数字：507倍。

主流的模型Pi-0.5+SFT用50条遥操作演示做微调，成功率只有38%，还需要4小时才能完成。

HOST用一段29秒人类视频演示，无需针对新任务重新微调模型权重，学会技能的成功率就达到62%。

数据效率提升了50倍，时间效率提升了507倍。

你能想象这意味着什么吗？以前教机器人学一个技能的时间，现在够HOST学500多个技能。

第三个数字：99%。

HOST学会新技能后，在之前已经掌握的任务上保持了99%的原始成功率。

而最强的微调基线呢？学完新技能后，之前技能的保留率只有40%，一路学一路忘。

为什么？因为HOST整个技能获取过程不更新任何模型参数，完全是在推理过程中进行的。机器人只要看到任务视频，就能非常低成本地学习、复现技能。

视频本身就是技能的“存储介质”。

这意味着什么？意味着机器人可以持续累积技能，同时避免因反复更新模型参数而造成传统的灾难性遗忘。

03 机器人进家庭，最缺的就是“现学现做”

讲真，HOST最让我兴奋的不是那些数字，而是它对机器人进入家庭这件事的推动。

你想，一个家庭机器人要面对的场景有多复杂？

今天你可能让它帮忙叠衣服，明天可能是摆餐具，后天也许是收拾玩具。这些任务听起来一样，但实际面对的细节、做法可能都有不同。同样是叠衣服，你可能想让机器人叠出你习惯的做法。你不可能为每一个新任务都采集几十条遥操作数据、花几个小时微调。

家庭环境里，最自然的学习方式是什么？

就是人类演示。

你直接在机器人面前演示一遍：“看，这样收拾。”

机器人看完，很快就会了。

这才是普通家庭能接受的交互方式。不需要编程知识，不需要遥操作设备，像人与人交流一样传递技能。

写在最后

回过头看，HOST做的事，本质上是范式跃迁：从训练时微调循环，走向推理时技能获取。

在自变量机器人团队看来，具身智能想要真正走出实验室、进入普通家庭，就不能一直依赖专业人员采集数据、反复训练模型。人与人之间传递技能，最自然的方式就是做一遍给对方看；机器人也应该如此——把原本属于少数工程师的专业流程，变成普通人用一段视频就能完成的教学。

目前，团队已经公开了HOST的论文和核心代码，包含了完整的模型训练和离线数据处理组件，如果感兴趣的可以去看看。让机器人落地迈上下一个台阶的，可能就是这些技术。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】