清华、北理工与自变量联合开源 HOST：29 秒人类视频即可让机器人学会新技能

事件概述

8月3日，自变量机器人与北京理工大学、清华大学联合发布并开源了 HOST 框架（Human-to-robot One-Shot Skill AcquisiTion）。该框架让机器人仅凭一段平均 29 秒的人类演示视频，即可学会执行全新任务，无需模型微调或新数据采集。

核心信息

• 在放水果、堆碗、擦盘子、插笔等 50 项训练阶段从未见过的桌面操作任务中，HOST 的技能复现成功率达到 62%。
• 相比当前主流的 Pi-0.5 + 微调方案，所需数据量减少至 1/50，学习时间缩短至 1/507，成功率显著领先。
• HOST 在推理时不修改模型权重，因此不会出现“学新忘旧”。论文数据显示，微调方案（Wall-OSS+SFT）学习新技能后，旧任务表现下降至原来的 43%；HOST 则几乎完整保留所有已掌握技能。

技术要点

HOST 的核心转变是从“动作模仿”转向“结果推理”：机器人不再试图模仿人类的肢体动作，而是观察人类完成后的结果状态，反推自己需要执行的动作序列。其处理流程分为三步：

1. 任务阶段判断：识别当前视频中的任务进度，例如“切菜阶段还是炒菜阶段”。
2. 视角迁移：将人类执行后的画面转换为机器人自身视角和本体结构下的画面，弥合人机身体结构差异。
3. 动作反推：从目标画面反推并执行动作序列，即使物品位置被移动也能重新规划。

针对人与机器人执行速度不同步的问题，HOST 采用“按任务进度对齐”策略，将视频帧与机器人操作映射到同一向量空间，并通过动态时间规整（DTW）建立对应关系。对齐误差从基于时钟时间对齐的 0.079 降至 0.006，使普通人不刻意放慢动作的随手视频也能作为教学素材。

HOST 的技术底座是带视觉预测功能的级联策略模型，采用双专家混合架构，分两阶段训练：先在 193,462 条机器人同体轨迹数据上预训练（覆盖 229 项任务），再用 5,847 条人类-机器人配对演示数据进行微调，实现从机器人跟随机器人到机器人跟随人类的跨本体迁移。

意义与局限

论文、代码和模型权重已全部开源至 GitHub 和 Hugging Face。团队表示，开源旨在将机器人技能获取从依赖专业人员反复采集数据、训练模型的流程，转变为普通人通过一段视频即可完成教学的方式。

HOST 仍有局限：62% 的成功率意味着近四成场景下机器人会失败，且测试任务以桌面操作为主，复杂动态场景表现尚待验证。但它证明了在 Scaling Law 主导 AI 叙事的当下，算法创新同样可大幅降低数据依赖，为具身智能行业提供了一条不同于“堆数据”的路径。