今日具身智能呈现双线进展：Skild AI 发布 S1 基础模型，可从单一视频演示学习新长时程任务，成功率66%远高于基线，并宣布达成1亿美元ARR；同时 2AM 将长程操控完成率提升至76.3%，FARM 用3.4万参数读出器从冻结世界模型解码故障，显示生成式策略控制与执行监控正快速演进。
Skild AI 发布 S1 机器人基础模型，利用 NVIDIA Isaac Lab/Cosmos 训练，能从单一视频学习新任务且无需重训，在陌生多步任务中单步成功率66%（基线9%），并与富士康合作部署双机械臂装配；同日宣布 1亿美元ARR，标志着机器人基础模型商业化进入规模化阶段。
生成式策略控制出现新范式：2AM 将任务记忆置于 Agent 侧，动作模型为无状态 VLA，在 LIBERO-Mem 上完成率从14.8%提升至76.3%；FARM 从冻结世界模型内部状态解码故障，以3.4万参数读出器达85.68 AUROC，为低成本执行监控提供了一条可行路径。
S1 无需更新权重或任务后训练，采用上下文学习，可从单一视频演示学会新长时程任务。在陌生多步任务中，单步成功率66%，为基线7倍以上。模型基于 NVIDIA Isaac Lab 和 Cosmos 训练，已与富士康合作部署双机械臂执行高精度装配。这显示上下文学习正成为机器人基础模型的核心能力。
2AM 将任务记忆置于 Agent 侧，动作模型为基于单 RGB、分幕无状态的 VLA，仅通过语言和 2D 抓取/放置/移动提示引导。训练使用条件丢弃、空间噪声和时间抖动，提升对不完美 Agent 输出的容忍。在 LIBERO-Mem 基准上，平均完成率从最强基线的 14.8% 提升至 76.3%，表明任务记忆可与动作模型解耦。
FARM 从冻结的机器人世界模型 VLA-JEPA 内部预测状态解码故障信息，仅训练 33,985 参数读出器即可在线输出逐步失败分数和因果轨迹风险。在多个源任务上五折评估获得 85.68 AUROC 和 88.59 AUPRC，并跨 PIPER X、SO-101、Franka 真实机器人实现迁移，无需更新预测骨干。这为低开销执行监控提供了可行路线。
2AM将任务记忆放在Agent侧，动作模型是分幕无状态VLA，仅用单RGB和2D抓取/放置/移动提示实现长程操控。在LIBERO-Mem上平均完成率从14.8%提升至76.3%。
研究员注:架构分离记忆与动作，降低模型负担，但依赖Agent引导精度，这可能成为长程操控的新范式。
FARM从冻结的机器人世界模型VLA-JEPA内部预测状态中解码故障信息，仅训练33,985参数的读出器，在线输出逐步失败分数和因果轨迹风险。
研究员注:低开销执行监控很有价值，冻结骨干复用特征，降低部署成本，给安全落地提供新思路。