先了解这件事
2026年8月19日,Generalist公布GEN-1.5在少样本与上下文学习下的物理任务表现。官方称,人类用自己的双手演示任务,机器人通过自身摄像头观察后即可立即复现,部分情况下完全跨越本体差异。在10项不同任务的实验中,单次物理提示的平均成功率为59%,经少样本学习(每任务5分钟数据上10步梯度更新)提升至83%。模型还能零样本跨越sim-to-real差距,提示可完全由模拟经验构成。GEN-1.5已持续训练超过8个月,官方称其是已知首个能从一次或少数几次演示中学习多种灵巧闭环物理任务的模型。
AI 根据公开报道生成
最新进展 · 正式报道
Generalist：GEN-1.5 已连续训练超 8 个月事件进展
1 个已确认进展
- 来源：Generalist
报道与讨论时间线
按时间查看正式报道与传播讨论；两类内容的证据等级保持独立。
8月20日
Generalist一手
Generalist：GEN-1.5 已连续训练超 8 个月
GEN-1.5 已连续训练超过 8 个月。我们让它一直跑下去，因为引擎追踪的每一项指标都在持续改善：吸收更多数据、更高效地扩展、增强后训练，并通过算法进步不断叠加阶跃式提升。
Generalist一手
Generalist 谈 GEN-1.5 通用性新前沿
对我们而言，GEN-1.5 代表着通用性的新前沿——它挑战了我们自身对这些模型在物理交互数据规模上预训练时行为的理解，而此前很少有人认为不靠捷径能做到这种规模。我们目前还看不到它的渐近线在哪里。
Generalist一手
Generalist：GEN-1.5 微调行为可泛化
微调（或提示）后的行为能泛化到演示之外，并能即兴采用根本不同的操作策略来达成同一目标。 例如，在微调学会用刷子把方块扫进碗里后，它可以使用簸箕等其他工具，以非常不同的策略完成同一任务。
Generalist一手
Generalist GEN-1.5 微调后可清除障碍完成任务
或者当微调后要把积木放进碗里时，它能清除障碍（比如盖住碗的一张纸）来完成任务，尽管这并不在演示中。https://t.co/jbcdrI2CTv
Generalist一手
Generalist GEN-1.5 少样本学习能力
在少样本学习方面，它只需 1 - 10 个梯度步、1 - 5 分钟数据（约 10 - 50 次演示）即可适应新的物理任务。实践中，这可以描述为低数据条件下的测试时训练。我们没有调优这一流程，也没有做超参数扫描；这些结果基本是开箱即用的。
Generalist一手
Generalist GEN-1.5：单次演示成功率59%，少样本达83%
Generalist 的 GEN-1.5 在 10 项多样化物理任务上，仅凭预训练后的单次物理提示（one-shot physical prompting）平均成功率为 59%；经少样本学习，每任务用 5 分钟数据做 10 步梯度更新后升至 83%。该模型可在 1-10 步梯度、1-5 分钟数据（约 10-50 次演示）内适配新物理任务，且上下文学习可零样本跨过 sim-to-real 差距。GEN-1.5 已连续训练超过 8 个月。
Generalist一手
Generalist：GEN-1.5 上下文学习跨越仿真到现实差距
上下文学习也能零样本跨越仿真到现实的差距。提示词可以完全由仿真经验构成（例如来自脚本化策略、RL 智能体，或人类遥操作仿真机器人），并用于在真实机器人上产生行为。该模型既未在仿真器中、也未在真实世界中针对该任务训练过。
Generalist一手精选
Generalist 公布 GEN-1.5 具身模型上下文学习结果
Generalist 公布 GEN-1.5 的上下文学习能力：人类用自己的双手演示任务，机器人通过自身摄像头观察后即可立即复现，部分情况下完全跨越本体差异。在 10 项不同任务的实验中，单次物理提示的平均成功率为 59%，经少样本学习（每任务 5 分钟数据上 10 步梯度更新）提升至 83%；模型还能零样本跨越 sim-to-real 差距，提示可完全由模拟经验构成。GEN-1.5 已持续训练超过 8 个月，官方称其是已知首个能从一次或少数几次演示中学习多种灵巧闭环物理任务的模型。