Skild S1が動画1本で新作業を習得

Skildは8月18日にS1を発表し、その案内はThe Rundownの9月3日ニュースレターに掲載された。核心となる考え方は、大量の事前学習を施した基盤モデル（10万時間の事前学習）に対し、重みを更新せずビデオを入力プロンプトとして供給することで、新たな長時間タスクに適応させるというもの。これによりS1は、最大10分かかる多段階作業への迅速な適応を試すテストケースとなる。

同社の管理比較は、潜在的な削減効果の規模を示している。1本の動画プロンプトで得られた性能は、約380回の遠隔操作デモ（50〜100時間）に相当する学習が必要だった。ただし、Skildの指標はステップごとの成功率を平均したもので、人間による回復介入を含むため、支援なしでの完全なジョブ完了率は不明。実用的なワークフローとしては、タスクをデモし、性能を評価し、信頼性が不足する部分に的を絞って追加データを収集する流れが考えられる。

Generalistは関連例を提供しており、3〜12秒のデモ1本から重み更新なしで10の単純な短期タスクで平均59%の成功率を報告。5分のタスクデータで10ステップの勾配更新後は83%に達した。Skildの大規模デモ収集も単一動画のスコアを上回った。これは、初期の動画プロンプティングに続く集中的トレーニングというハイブリッドアプローチが、スピードと信頼性のバランスを取れる可能性を示唆するが、新環境や新ハードウェアへの汎化性能は依然として未解決の課題だ。