具身ICL来了创业玩家！上下文成Scaling新赛道

2020年，GPT-3靠“看几个示例就会新任务”震动了NLP界；六年后的今天，同样的故事正在具身智能领域上演。

https://about.yuxiang.io/

今年4月，可可矩阵正式成立，开始把当年在学校里就开始接触的问题变成了创业方向。

量子位：过去很长一段时间，具身智能都沿着大模型的路线Scale数据。大家为什么相信，堆更多数据就能把机器人能力Scale起来？

量子位：如果数据覆盖走不通，行业现在开始Scale什么？

量子位：同样是ICL，具身领域的难度好像比语言模型领域的难度高很多……到底复杂在哪些地方？

量子位：上个月底Skild‑AI的S1模型支持最长10分钟级别的长任务示范。对比Generalist GEN‑1.5的one‑shot ICL示范视频仅3‑12秒，放在30s窗口内完成现学现用。

量子位：既然ICL能降低对海量数据的依赖，为什么数据仍然是一个问题？

量子位：可可矩阵现在在ICL这一块，整体做到了什么阶段？

量子位：现在可可基础模型的One-Shot能力，大概做到什么水平？

量子位：你本科就从自驾转向了机器人，大概是十年前。

[1]https://www.linkedin.com/in/yuxiang-gao-268084114/

[2]https://scholar.google.com/citations?user=CICgPz8AAAAJ&hl=en

[3]https://arxiv.org/pdf/2005.14165

[4]https://arxiv.org/abs/2607.15275

[5]https://www.ccmtrx.com