【具身智能迎ICL新赛道，上下文成Scaling新方向】继大语言模型后，上下文学习（ICL）正重塑具身智能领域。今年8月，Skild AI与Generalist AI相继发布机器人模型，实现“看一遍示范即会新任务”的One-Shot能力，标志行业从“堆数据”转向“长上下文”新路线。在此背景下，国内创业公司“可可矩阵”于今年4月成立，押注ICL底层范式。创始人高宇翔介绍，公司主打“强理解、轻生成”，将ICL前置到预训练阶段，通过条件表征与流式记忆攻克视觉及长时序难题。目前其模型在简单任务的One-Shot完成率超80%。该赛道正重新定义机器人的学习效率，加速具身智能向通用泛化迈进。

【机器人的GPT时刻来了？】8月，北美具身初创公司Skild AI发布全新机器人基础模型S1。该模型主打上下文学习（ICL），无需后训练微调，机器人仅需观看一段最长10分钟的人类示范视频，就能直接学会并完成从未见过的复杂长程任务，如煎饼、植物换盆等。实验显示，S1在未见任务上的成功率高达66%，远超传统语言提示模型的9%；传统方法需约380次演示才能追平其“看一遍就学会”的效果。S1的发布标志着机器人学习正从依赖大量数据微调的“BERT时代”迈向“GPT时代”，大幅降低技能开发成本，让通用机器人的到来更近一步。

2026年2月4日，腾讯混元团队与复旦联合发布论文《CL-bench》，这是腾讯首席AI科学家姚顺雨入职后的首篇署名研究。论文指出，当前AI与真正智能的差距在于学习能力，而非知识量。研究团队构建了CL-bench基准，专门评测语言模型从上下文中学习新知识并应用的能力。该基准包含500个复杂上下文、1899个任务和31607个验证标准，要求模型解决预训练中未见过的问题。实验显示，全球前十语言模型在CL-bench上的任务解决率仅17.2%，表明现有模型在上下文利用方面仍存在显著短板。这一研究为大语言模型的迭代指明方向，即强化从上下文中学习的能力。

瑞士洛桑联邦理工（EPFL）团队获得了OpenAI的GPT-4-Base原始版本，进行一项独特研究，探索未经过微调的大模型仅依赖提示词能否实现有效对话和指令遵循。他们挑战现有技术，如URIAL，但发现即便使用增加示例和贪心搜索，模型与指令微调模型间的差距依然明显，尤其是在多轮对话中。研究揭示了示例选择对模型的重要性，以及大语言模型可能只是模仿而非真正理解指令逻辑。结论指出，尽管尝试了多种方法，上下文学习缩小与指令微调差距仍有挑战，AI助手的听话程度短期内不易提升。