自变量机器人发布 HOST：机器人看一段视频就能学会新技能

事件概述

自变量机器人（自变量）联合北京理工大学、清华大学发布了一套名为 HOST（Human-to-robot One-Shot Skill AcquisiTion）的机器人学习框架。该框架使机器人只需观看一段平均 29 秒的人类演示视频，即可在无需重新收集遥操作数据、无需更新模型参数的情况下，当场学会一项新任务。

核心机制

• 进度对齐而非时间对齐：HOST 将人类视频和机器人动作映射到同一向量空间，使用动态时间规整算法按任务进度自动对齐，避免因人类与机器人执行速度不同导致的步骤偏差。该方法将进度误差从 0.079 降低到 0.006，缩小了一个数量级。
• 双专家 MoT 架构：模型分为“视觉大脑”和“动作大脑”。视觉大脑负责理解视频进度、推断机器人视角下应出现的画面；动作大脑则根据目标画面生成机器人动作。这使机器人不再直接模仿人类肢体动作，而是从执行结果反推动作，绕开跨形态模仿的难题。
• 两阶段预训练：第一阶段使用 193,462 条机器人轨迹和 229 项任务的机器人数据，建立任务理解和动作想象能力；第二阶段加入 5,847 段人类任务视频与机器人轨迹的配对数据，实现从人类视频学习的能力迁移。

测试表现

• 在 50 项训练阶段未见过的新任务中，HOST 均有成功记录，仅观看一次演示视频后平均成功率达 62%。
• 相比传统监督微调（SFT）方案，所需示范数量降至五十分之一，技能获取时间缩短约 507 倍。
• 在抗遗忘测试中，经验证的旧任务保留率显著优于微调基线：π0.5+SFT 仅保留原表现的 17%，Wall-OSS+SFT 保留 40%，而 HOST 因不改变模型参数，旧任务表现几乎不受影响，比最佳微调基线高出 59 个百分点。
• 鲁棒性测试中，光照变化导致成功率下降 1 个百分点、替换物体下降 4 个百分点、更换场景下降 6 个百分点、执行中移动物品下降 9 个百分点（最终仍达 53%），表明模型具备动态规划能力，而不是简单背动作序列。

开源信息与背景

HOST 的核心代码和论文已全面开源：

• 论文：https://arxiv.org/abs/2607.20033
• GitHub：https://github.com/CGuangyan-BIT/HOST
• Hugging Face：https://huggingface.co/papers/2607.20033

自变量机器人成立于 2023 年底，此前已发布具身大模型 WALL-B、世界模型 WALL-WM，并开源 VLA 模型 WALL-OSS-0.5；自研量子一号、量子二号机器人本体，并与 58 到家合作推进家政场景落地。HOST 是该公司在“快速学习新技能”方向上的又一技术补充，通过开源推动开发者生态建设。