如果把 GPT-3 的 in-context learning 看作自然语言处理的转折点，那么 Generalist AI 在 2026 年 8 月 19 日发布的 GEN-1.5，很可能就是机器人操作领域的对应时刻——一段 3 到 12 秒的演示，塞进上下文窗口，不做任何梯度更新，机器人就尝试执行这个新任务。

但作为开发者，我们关心的不只是"59% 成功率"这个被反复引用的数字，而是它背后整套范式迁移：机器人编程的冷启动，可能从"采集数百条遥操数据 + 训练数天"，压缩到"录一段短视频 + 等模型自己跑"。

物理提示：把演示当 token 用

GEN-1.5 是一个大型多模态模型，接收视频（30 秒记忆窗口）、其他传感器、语言、本体感受信号，输出 100 Hz 的动作轨迹。

"物理提示"（Physical Prompting）的机制非常直白：

1. 用手持夹爪遥操，或在机器人摄像机前用裸手演示 3–12 秒
2. 这段"观测 + 动作轨迹"的感知运动序列被放进 30 秒上下文窗口的前部
3. 窗口剩余空间滚动填入机器人执行时的实时观测
4. 模型推断目标，调用预训练获得的物理先验，输出闭环动作

整个过程权重一动不动。这和语言模型里"给两个 few-shot 例子就让模型答第三题"是同一个计算隐喻——只不过这里的 token 是像素和力矩。

Generalist 强调一个容易被忽略的细节：他们从 2024 年便开始预训练 GEN-1.5，训练持续 8 个多月，但没有为上下文学习改架构、没有内外层元学习循环、也没有鼓励即兴的辅助目标。换句话说，in-context learning 这种能力是预训练规模上来后自然涌现的，连团队自己都说不清为什么。

对开发者的含义：这意味着"上下文学习"可能不是某个精巧算法的产物，而是数据规模和训练时长到位后的必然。如果你在做具身智能，方向可能比技巧更重要。

59% 和 83%：要分开看的两条曲线

官方给出的评测是 10 项短时域操作任务（开罐、拉笔袋拉链、从钱包取钞、用刷子扫垃圾等）：

几个开发者需要留意的细节：

第一，59% 不是"评估一次就完事"，而是零梯度条件下模型第一次见到任务就能拿出可测量的能力。Generalist 自己也承认 in-context 学到的技能比微调模型更脆弱（brittle），但已经能泛化到扰动、即兴发挥、从错误中恢复。

第二，10 步梯度更新改变的权重不到 0.15%——说明微调不是"重建表征"，而是在轻微重组已有知识。这就是为什么 1–10 步就够，而不是传统 imitation learning 的上千步。

第三，任务间差异极大。例如"用刷子扫垃圾"单次提示只有 37.3%，10 步更新后跳到 99%；而"把手机翻面"单次提示就有 78%，更新后 81%。有些技能靠上下文就接近微调效果，有些强烈依赖参数适配——这直接决定了生产部署时你要不要走微调这一步。

三个让开发者兴奋的涌现特性

除了单次学习，GEN-1.5 还有三件事值得写进技术笔记：

组合泛化：把两个独立录制、彼此之间没有过渡的演示放进同一个上下文，模型会自己补出重新抓取、纠错、换手这些两段演示里都不存在的中间动作，串成一个连续行为。这相当于物理世界的"prompt chaining"——你不用为复合任务采集复合演示，只需维护一个短物理提示库。

零样本 sim-to-real：对部分任务，演示完全可以来自仿真（脚本策略、RL agent、或在仿真里遥操），尽管预训练数据里一帧仿真数据都没有，真机仍能执行。这是直接击穿 sim-to-real gap 的诱人路径。

人→机器人跨形态：人在摄像机前用自己的手演示，机器人用自己的手复现。这为"非专业用户教机器人"打开了接口。

冷静下来：三个必须正视的边界

作为开发者读这类发布，必须越过宣传语看限制。AI Wiki 的元数据汇总说得很直白：

GEN-1.5 通过公司研究博客和演示视频发布，不是可下载的 checkpoint、不是公开 API、也不是同行评审论文。架构、数据、评测包均未公开，截至发布日没有独立第三方复现。

具体边界：

第一，任务简单、时域短。10 项评测都是短时域操作，59% 离无人值守工厂的可靠性差得很远。长程、多阶段、需要持久记忆的任务尚未验证。

第二，"单次"指上下文里有一个演示，不代表技能永久写入模型。演示离开上下文窗口后，能力是否持久未知。

第三，公司自报，非公开基准。所有数字来自 Generalist 内部评测包，没有 model card、没有权重、没有开源评测。

社区里已经有人把 GEN-1.5 称为"机器人的 GPT-3 时刻"，但这个类比要谨慎：GPT-3 之后有开源复现、有 API、有下游生态；GEN-1.5 目前只有视频和博客。真正的"时刻"要等权重或 API 放出、第三方跑通评测之后才算。

写给开发者的实操判断

如果你正在做具身智能相关开发，GEN-1.5 这波发布真正有价值的信号不是"59%"这个数字，而是范式层面的三个转移：

• 从"每任务训练"转移到"演示即上下文"。机器人技能的冷启动成本，理论上可以从周级压缩到秒级。
• 从"单一演示"转移到"物理提示库"。像管理 prompt 模板一样管理短演示片段，通过组合泛化拼出长程行为——这可能是未来机器人编程的 IDE。
• 从"真机数据采集"转移到"仿真提示 + 上下文迁移"。预训练不带仿真，但上下文能跨 sim-to-real，这条路径如果经第三方验证，将重塑数据引擎的构建方式。

至于现在能不能用？不能。没有权重、没有 API、没有评测包。但作为技术方向标，它给所有做 VLA、world model、imitation learning 的团队抛出了一个尖锐问题：

当"上下文学习"能在物理世界涌现，我们还在为每个新任务从零收集数据、跑监督训练，是不是走错了路？

9 月到 10 月是观察窗口：看 Generalist 是否放出 API 或 early-access，看是否有第三方团队用自家数据复现 59% 这个量级。在那之前，把它当作"预训练规模定律延伸到具身域"的有力证据，而不是"开箱即用的机器人 GPT"，后者还需要生态和时间来验证。

参考文章：Generalist AI 官方博客、AI Wiki