01 / DM0.5Memory
看自己的过去
把当前 rollout 的 execution history 融入输入，用于识别任务进度、消除当前状态歧义。
01 · Executive snapshot
先记住这四句话
四者都在做 context-conditioned control，但 context 的来源、表示与用途决定了它们实际解决的是不同问题。
02 / StellaVLAAdaptation
看结构化的成功示范
检索一条 demo，再转换为计划、subgoal、轨迹与 3D motion 等结构化提示。
03 / Skild S1Specification
直接看一段原始视频
以raw video demonstration 指定任务；视频本身就是 task specification，而非仅靠语言描述。
04 / GEN-1.5Prompting
把示范与执行放进同一窗口
用短时physical prompt 提供 sensorimotor 例子，并与 rolling observations 共同进入统一 context。
02 · Quick judgment
四条路线，简单说优劣
这不是模型能力总榜，而是只看 context design 后，我对各路线工程价值与长期潜力的判断。
一句话判断
History context 最实用，structured demo 最易落地，raw video demo 上限最高，physical prompt 信息最完整。它们分别用计算、结构设计、数据规模或接口对齐来换取泛化能力。
DM0.5 · History context
最稳的长任务补丁- 最大优点
- 不需要额外成功 demo，直接解决长任务中的“失忆”和进度判断，收益明确。
- 最大短板
- 只能帮助模型记住“刚才做了什么”，本身不会告诉模型一个新任务“应该怎么做”。
- 最适合
- 任务已经学会，但 rollout 很长、多阶段、仅看当前画面容易产生状态歧义的场景。
StellaVLA · Structured demo
最容易工程化- 最大优点
- 把 demo 压缩成计划、subgoal 和 motion cues，信息密度高、可解释、推理成本也更可控。
- 最大短板
- 依赖检索与结构化链路；预处理做错会放大误差，也可能丢掉接触、力度等细节。
- 最适合
- 已有高质量示范库，希望较快获得 one-shot adaptation，同时重视稳定性和延迟的产品。
Skild S1 · Raw video demo
上限最高，难度最大- 最大优点
- 视频就是任务语言，接口最自然，也最有机会利用大规模人类视频形成跨语言、跨 embodiment 泛化。
- 最大短板
- 视频冗余且有歧义，没有显式 action；对数据规模、长上下文和视觉到动作映射要求最高。
- 最适合
- 追求 foundation model 式通用性、拥有大规模预训练数据和算力，而非只优化短期部署效率。
GEN-1.5 · Physical prompt
最完整的 physical ICL- 最大优点
- demo 中显式包含 action，并与 rolling history 使用统一序列；控制信息最完整，机制最像 GPT few-shot。
- 最大短板
- 对 sensor/action space 对齐依赖最强；不同机器人之间迁移更难，context window 还要在 prompt 与 history 间分配。
- 最适合
- 同类或可对齐 embodiment 上，需要通过短 sensorimotor 示例快速适配精细动作的场景。
近期落地解决执行记忆选 DM0.5；解决 demo adaptation 选 StellaVLA，二者工程路径最清晰。
长期上限S1 赌大规模 raw video 学出通用任务理解；GEN-1.5 赌统一 sensorimotor sequence 学出 physical ICL。
最关键的一点DM0.5 并不排斥另外三条路线。理想系统可以同时拥有外部 demo 和当前 rollout memory。
03 · Side-by-side
同一套字段，对齐比较
这里的“是否包含 action”只指 context 的表示，不指模型最终是否输出机器人动作。
| 模型 | Context 来源 | 来自当前 rollout | Demo 形式 | Context 包含 action | 是否 structured | Rollout history | 主要目标 | 典型优势 |
|---|---|---|---|---|---|---|---|---|
| DM0.5 | 当前 episode 已发生的历史 observations | 是 随执行持续更新 |
不是外部 demo；是自身 trajectory history | 未强调 以历史视觉信息为核心 |
部分 history slots、采样与视觉 token compression |
核心设计 | 时序记忆、进度识别、状态消歧 | 不依赖预先成功 demo；适合长时、多阶段闭环任务 |
| StellaVLA | 另一条检索到的成功 demonstration | 否 与本次 rollout 分离 |
稀疏关键帧 / subgoals / task plan / traces / 3D motion | 动作等价线索 轨迹与 motion，不一定是原始 action tokens |
是 显式结构化 demo |
非主要机制 | 用单条示范做 test-time task adaptation | context 信息密度高、可解释；固定 demo 便于复用与缓存 |
| Skild S1 | 人类或机器人提供的成功视频示范 | 否 demo 是外部任务说明 |
raw video demonstration | 不要求显式 action 主要从像素中的行为推断 |
否 保留原始视频表征 |
非公开重点 当前观测仍用于闭环控制 |
用视频直接指定新任务，支持 in-context learning | 接口自然、跨 embodiment 潜力强；减少人工结构设计 |
| GEN-1.5 | 短时 sensorimotor demo + 当前 rolling observations | 混合 demo 否；rolling history 是 |
3–12 秒 physical prompt，置于约 30 秒统一窗口 | 是 含 action trajectories |
序列化统一 不是 Stella 式语义结构化 |
是 与 prompt 共用窗口 |
sequence-level physical prompting / few-shot adaptation | 示范与在线执行统一建模；保留细粒度 sensorimotor 信息 |
注：公开博客对训练与接口披露粒度不同。表中“未强调 / 非公开重点”表示该项未被作为核心公开机制，而非断言模型内部完全不存在。
04 · Context pipeline
四种输入流程，一眼区分
左侧是 context 的准备过程，右侧是与当前 observation 合流后驱动 policy action 的方式。
DM0.5
Execution history
过去 observationssame episode
→
时空采样 + 压缩historical slots
→
当前 observationtask progress
→
Policy action“我做到哪了？”
StellaVLA
Structured demo
检索成功 demoanother episode
→
plan / subgoal / tracestructured context
+
当前 observationonline state
→
Policy action“这个任务怎么做？”
Skild S1
Raw video demo
原始视频示范task specification
→
视频表征no manual structure
+
当前 observationclosed-loop control
→
Policy action“照这个任务做”
GEN-1.5
Physical prompt + history
sensor + actions3–12s prompt
→
统一 context windowabout 30s
←
rolling observationscurrent rollout
→
Policy actionphysical few-shot
05 · Detailed assessment
详细评价：为什么这样判断
以下评价关注设计取向，而不是仅凭公开演示对模型整体能力排序；不同方案依赖的数据、任务与评测并不相同。
我的判断
DM0.5 是 memory-conditioned policy；另外三个更接近 demo-conditioned policy。前者回答“我刚才做了什么、现在做到哪一步”，后者回答“这个新任务应该怎么做”。
DM0.5
最像长期记忆本质是给 policy 增加 episodic memory，而不是用 demonstration 在测试时教会一个新任务。
- 优势
- 无需检索成功 demo；历史与真实执行天然对齐，适合长时、多阶段任务中的进度判断与状态消歧。
- 代价
- history 会不断变化，context 计算与缓存更复杂；它能告诉模型“做到哪了”，但不会单独提供新任务策略。
- 评价
- 如果问题是 long-horizon control 中的失忆，DM0.5 最对症；若问题是 one-shot task adaptation，则不应与后三者直接排名。
StellaVLA
最强结构先验像一个“demo compiler”：先把成功示范压缩成模型更容易消费的计划、subgoal 和 motion cues。
- 优势
- 信息密度高、语义清楚、可解释性强；稀疏固定的 demo context 也更适合复用与 prefix/KV cache。
- 代价
- 效果更依赖 demo 检索与结构化质量；预处理可能丢掉细粒度接触、力度和时序信息，也带来额外工程链路。
- 评价
- 是结构化与效率优先的务实路线：用更强 inductive bias 换取更低的上下文负担和更稳定的任务解释。
Skild S1
最自然的任务接口把“演示给我看”本身变成 task specification，尽可能少做人工结构化，让模型从 raw video 理解意图。
- 优势
- 人类提供任务最自然；视频容易跨语言、跨机器人来源扩展，也避免手工定义 subgoal 或动作语义。
- 代价
- raw video 冗余大且含歧义，对数据规模、视觉理解与长上下文能力要求最高；像素中的动作还需映射到当前 embodiment。
- 评价
- 是最“foundation model 式”的路线：以模型规模和预训练吸收结构设计，潜力大，但也最考验数据覆盖与泛化。
GEN-1.5
最像 physical GPT prompt把带 action 的 sensorimotor example 与在线 history 统一为一条序列，机制上最接近真正的 physical in-context learning。
- 优势
- action trajectory 提供比纯视频更直接的控制监督；demo 与 rollout 使用同一序列接口，概念简洁且信息保真。
- 代价
- 依赖传感器与 action space 的可对齐性；固定 context budget 要在 physical prompt 与 rolling history 之间分配容量。
- 评价
- 四者中最像 GPT few-shot prompting 的物理版本；相较 S1 更控制导向，相较 StellaVLA 更少语义压缩、更依赖序列建模。
最不该硬比：DM0.5 vs 其余三者一个补当前 episode 的记忆，另外三个用外部 demo 指定或适配任务。
最直接的对照：StellaVLA vs S1同样从成功 demo 学任务，但一个先结构化，一个保留 raw video。
最混合的方案：GEN-1.5同时吸收 inter-episode physical prompt 与 intra-episode rolling history，横跨两种 context 来源。
06 · Unified lens
两个轴，放进同一张图
横轴回答“context 来自本次执行还是另一条 episode”；纵轴回答“context 保留原始序列还是被压缩为结构化提示”。
← INTRA-EPISODE HISTORY
RAW
DM0.5本次执行历史；经过采样与压缩
StellaVLA外部成功 demo；高度结构化
Skild S1外部成功 demo；raw video
GEN-1.5外部 physical prompt + 本次 rolling history；统一原始序列窗口
轴一 · Intra vs Inter
DM0.5 主要从同一 episode 获取记忆；StellaVLA 与 S1 主要从另一 episode 获取示范；GEN-1.5 横跨两侧。
DM0.5 主要从同一 episode 获取记忆；StellaVLA 与 S1 主要从另一 episode 获取示范；GEN-1.5 横跨两侧。
轴二 · Raw vs Structured
S1 最接近原始视频；GEN-1.5 保留 sensorimotor 序列；StellaVLA 显式结构化；DM0.5 对历史视觉 token 做采样压缩。
S1 最接近原始视频；GEN-1.5 保留 sensorimotor 序列；StellaVLA 显式结构化；DM0.5 对历史视觉 token 做采样压缩。
07 · Bottom line
最关键的比较：
Structured context 还是 Raw context？
S1 与 GEN-1.5 希望模型通过大规模 pretraining，直接从 raw demonstration 中学出任务结构；StellaVLA 则先用 offline reasoning 把 demo 变成 structured context，再交给 VLA。
S1 / GEN-1.5 · Raw context
优势：更 end-to-end、保留信息更多，数据与算力足够时可能有更高上限。
代价：依赖大规模、多样化 pretraining，让模型自己学会 intent 与 motion correspondence。
StellaVLA · Structured context
优势：信息更紧凑、可解释、容易缓存；在 robot data 和算力有限时更现实。
代价：结构化可能丢失动作细节，也会继承 offline extractor 的错误。
简单结论：frontier-scale data / compute 更适合探索 S1、GEN-1.5 的 raw-context 路线；资源和部署约束更现实，StellaVLA 的 structured-context 路线更有吸引力。DM0.5 解决的是 rollout memory，可以与这两类方案组合。