可可矩阵发布机器人模型 CO01：用示范与纠错作为上下文提示
机器人模型把示范、失败和人的纠正直接当作上下文输入，不用重新训练就能上手新任务，把部署成本压下来。
可可矩阵（COCO Matrix）发布机器人模型 CO01，把人的一次示范、机器人自己的失败尝试、一句口头纠正甚至一张目标图片都当作「经验提示」放进模型上下文，无需为当前任务重新训练。同一预训练模型下，一段约 1 分钟的示范即可让未见任务平均成功率达到 52%，而微调达到相近水平需约 180 条示范、约 9 小时。
正文摘录
.jpg) 人通过观摩、尝试和指点学习，机器人也能如此。可可矩阵（COCO Matrix）发布机器人模型 CO01（读作/kuːl/），让机器人也能从这些经验中学习。 一次示范、一段失败经历、一句提醒，甚至一张目标图片，都能帮助 CO01 决定下一步。团队将这种方式称为「经验提示」：经验可直接放入模型上下文，无需为当前任务重新训练。 这让新任务更少依赖专门的示范采集和微调，降低适配与部署成本。用户也能通过示范和指点教机器人做事。失败、重试和人的纠正，既能供机器人当下参考，也能经整理后用于后续训练，让使用中积累的经验持续帮助模型改进。 希望 CO01，成为一个 非常 COOL 的机器人模型！真正实现可可矩阵的愿景：Robots for all，shaped by all! 本文看点： - 新任务上手更快：同一预训练模型下，一段示范、约 1 分钟，未见任务平均成功率达到 52%；微调达到相近水平需约 180 条示范、约 9 小时。 - 失败经验带来可量化提升：在相同的五次尝试机会下，保留自身历史的真机累计成功率为 84%，不保留历史为 56%。 - 扎实的技术支撑：会话式训练保留示范、失败与纠正之间的联系，让动作模型无需更新权重，就能利用经验调整行为。部署中积累的交互记录还能经整理后用于后续训练，让真实使用持续推动数据飞轮。 - 统一感知能力：同一套权重支持深度、分割、光流、人体姿态等多类感知任务，在 8 项基准中有 5 项优于专用模型，深度估计基本持平，为机器人读懂示范中的空间关系与动作变化提供感知基础。