8月3日，自变量机器人发布并开源HOST框架（Human-to-robot One-Shot Skill AcquisiTion，人类到机器人单样本技能获取）。

　　HOST采用了一种开创性的方法：不去将人类动作翻译为机器人动作并试图模仿，而是让机器人先想象执行动作后的结果，再从结果拆分出需要执行的动作。

　　该框架让机器人仅观察一段数十秒的人类视频即可学会新技能，同时保留已掌握的技能。根据自变量披露的数据，机器人从一段29秒的人类视频中学习技能的成功率为62%，超越零样本基线45%，相比Pi-0.5+微调方案，所需数据量减少50倍，学习速度提升500倍。

　　在具身智能行业，数据稀缺被普遍视为模型能力进阶的核心约束。主流方案习得一项新技能，通常需要采集数十条遥操作示范数据，再对模型进行数小时的微调训练。

　　HOST框架则试图绕开这一流程：模型权重在训练完成后即冻结，新技能的获取完全发生在推理阶段，视频本身成为技能的载体。这一思路与大语言模型领域从微调转向上下文学习的路径相似，其能否成立，值得行业关注。

　　不模仿动作，而是从结果反推过程

　　具体来看，HOST的技术方案针对机器人学习人类视频的两个长期难点给出了解法。

　　第一个难点是进度对齐。同样执行10秒，视频中的人可能已经切完菜开始炒菜，机器人还在切菜，仅按时间轴对齐会丢失任务进度。HOST的做法是将视频每一帧和机器人操作每一步转化为同一向量空间中的向量，再利用动态时间规整算法，自动匹配人类视频的第X帧与机器人操作的第Y步。自变量称，这一方法将对齐任务进度的时间误差降低了一个数量级。

　　第二个难点是跨形态映射。人类与机器人的身体结构差异巨大，传统的动作重定向方案难以通用。HOST规避了“对照身体结构”的问题：机器人先判断自己处于任务的哪个阶段，再将人类动作的画面“翻译”为机器人自身视角和身体结构的画面，最后从画面反推需要执行的动作。这意味着，机器人不再机械模仿人类动作，而是通过视觉推理想象动作的结果，再从结果拆解动作过程。

　　模型架构上，HOST采用双专家MoT架构，视觉专家负责处理视频画面、定位任务进度、预测未来图景，动作专家负责将预测图景转化为可执行动作。训练分为同体预训练和人机视频训练两个阶段：先通过机器人自身执行任务的视频学会从预测结果到生成动作的基本功，再迁移到人类演示视频，将人类执行任务的过程转化为机器人视角下的任务结果，再根据目标结果推理完成任务所需的动作。

　　这一拆分背后的逻辑在于，人与机器人执行同一任务的配对数据相对稀缺，而机器人自身的数据容易采集，分阶段训练可以大幅提升数据利用效率。

　　62%成功率的含金量与边界

　　从披露的数据看，HOST相对基线的提升幅度明显。同样从一段视频中学习技能，Vid2Robot、AWDA等方案的成功率为19%；给Pi-0.5示范50个机器人任务并微调训练4小时，成功率为38%。HOST以1/50的数据样本量实现了62%的成功率。

　　不仅如此，HOST 还能最大限度地保留已经学习的技能，因为它仅根据视频来复现技能：视频更像是“菜谱”，可以放入书架随时调取。如此便实现了技能的持久化记忆和联想机制。相比之下，Pi-0.5+微调方案学习新技能后，原有技能的保留率仅有17%。

　　在泛化性与鲁棒性方面，自变量称HOST在50个包含不同物体、工具和基本动作的任务上均完成学习，面对光照变化、物体替换、场景切换等干扰，成功率保持在50%以上，任务中途物品被挪走后也能调整继续。这在一定程度上说明模型并非死记动作序列，而是具备动态规划能力。

　　62%的绝对成功率意味着三次尝试仍有一次以上失败，距离实际部署尚有差距。自变量官方未披露任务复杂度分布，从图中描述看多为抓取、放置类基本操作，涵盖放水果、捡笔、叠碗、擦盘子、插笔、盖书、叠锅、叠袜子等，长程精细操作的成功率有待验证。此外，从画面反推动作依赖视觉预测的准确性，透明物体、遮挡等场景能否应对仍是未知数。

　　HOST的价值在于验证了“推理时技能获取”这一范式的可行性：技能学习的能力可以在预训练阶段前置，而非依赖针对每个新任务的数据采集与微调。

　　自变量机器人团队表示，在具身智能走出实验室、走进千家万户的进程中，不应该只靠专业人员采集数据、反复训练来获得新技能。人与人之间通过示范传递技能，是更加自然高效的学习方式。HOST将技能获取从专业流程转变为任何人都能用一段视频完成的教学方式。

　　目前该框架的论文与代码已全部开源，其能否将成功率推至可用水平，并在更多本体和更复杂任务上复现，将决定这一方向能走多远。