C'est quoi Skild AI S1 ?

S1 est un foundation model robotique présenté par Skild AI le 25 août 2026. Il apprend une tâche de manipulation inédite à partir d'une seule vidéo humaine en perspective égocentrée, sans fine-tuning ni post-training. Le robot exécute ensuite la tâche de manière autonome, sur des séquences allant jusqu'à 10 minutes.

Quelle est la différence entre S1 et un VLA classique ?

Un VLA (vision-language-action) est prompté en langage : tu décris la tâche en mots. S1 est prompté en vidéo : tu montres la tâche en une démonstration. Sur les tâches inédites, S1 atteint 66% de succès contre 9% pour un VLA équivalent, parce que la vidéo porte des détails spatiaux et temporels que le langage ne peut pas encoder.

Peut-on télécharger ou utiliser Skild S1 ?

Non. Il n'y a pas de poids téléchargeables, pas d'API publique, pas de licence et pas de pricing. Skild déploie S1 avec un nombre limité de partenaires industriels (ABB Robotics, Universal Robots, MiR) et ouvrira un accès early access sur inscription.

S1 est-il un modèle open source ?

Non. Contrairement à Muse Glimmer de Meta ou aux modèles Qwen, S1 est un modèle fermé. Skild n'a publié ni les poids, ni l'architecture, ni le nombre de paramètres, ni le volume exact de données de pré-entraînement. Le 66% repose sur un blog post et quatre démonstrations vidéo.

Actualite · Robotique IA

Skild AI S1 : le robot qui apprend une nouvelle tâche à partir d'une seule vidéo

29 août 2026 · 5 min de lecture

Illustration aquarelle d'un petit robot astronaute violet regardant une vidéo flottante montrant une main humaine rempoter une plante, les mains levées prêt à imiter, avec une table devant lui portant un arrosoir, une plante en pot, une poêle à pancakes et une boîte de kit, reliés par un fil menthe symbolisant l'apprentissage contextuel par démonstration

Tu montres une vidéo de toi en train de rempoter une plante. Un robot regarde la vidéo, prend le matériel, et refait le geste tout seul. Pas d'entraînement supplémentaire, pas de fine-tuning, pas de téléopération. Onze minutes entre la démonstration et l'exécution autonome. C'est ce que Skild AI a présenté le 25 août 2026 avec S1, un foundation model robotique qui apprend une nouvelle tâche à partir d'une seule vidéo.

Le problème : chaque nouvelle tâche = des heures de téléopération

La robotique d'aujourd'hui fonctionne comme le NLP avant ChatGPT. Tu veux apprendre un nouveau comportement à un robot ? Tu téléopères pendant des heures, tu collectes des données, tu fine-tunes un modèle spécialisé. Chaque tâche, chaque variation, chaque nouvel environnement recommence le cycle.

Skild le dit explicitement : la robotique est coincée dans l'ère BERT. BERT, c'était un modèle de langage efficace, mais chaque nouveau cas d'usage demandait une collecte de données et un fine-tuning. Le passage de BERT à GPT-3, c'était l'in-context learning : tu montres un exemple dans le prompt, le modèle répond sans toucher à ses poids. S1 applique ce principe à la robotique.

La différence est que le langage se prompte avec des mots, mais les tâches robotiques complexes ne se décrivent pas bien en une phrase. Skild cite Jim Fan (NVIDIA) : quand une tâche devient nuancée, longue ou délicate, on arrête de décrire et on commence à montrer. Personne n'apprend à plier une taie d'oreiller ou à faire monter des blancs en neige avec une phrase. On montre.

Comment marche S1

S1 prend une vidéo égocentrée (filmée du point de vue de la personne qui fait la tâche) comme prompt. Le modèle traduit cette démonstration en actions pour son propre corps et sa propre scène. Pas de fine-tuning, pas de post-training. Les poids ne changent pas.

L'entraînement repose sur la diversité. Skild pré-entraîne sur des données où la tâche est spécifiée uniquement par une démonstration in-context. Comme la démonstration peut venir d'une scène, d'un angle ou d'un corps différent, le modèle doit implicitement comprendre l'intention du démonstrateur, les correspondances fonctionnelles et la progression de la tâche pour prédire les bonnes actions.

Skild combine quatre sources de données parce qu'aucune n'est optimale partout :

Source	Proximité hardware	Diversité	Scalabilité
Téléopération	Élevée	Faible	Faible
UMI (caméras mains)	Moyenne	Moyenne	Moyenne
Vidéo égocentrée	Faible	Élevée	Élevée
Simulation	Moyenne	Faible	Élevée

Aucune source ne gagne sur les trois axes. Skild les combine.

Les benchmarks : 66% contre 9% sur l'inédit

Skild a comparé deux approches sur les mêmes données, la même architecture et le même compute : un modèle prompté en vidéo (ICL) et un modèle prompté en langage (VLA).

Sur des tâches déjà vues pendant l'entraînement, le VLA gagne au début (53% contre 43% à 1 000 heures). Mais S1 le dépasse à mesure que les données augmentent, atteignant 96% de succès sur des tâches longues de 4 à 8 minutes.

Sur des tâches inédites, c'est l'écart qui compte. À 100 000 heures de données, S1 atteint 66% de succès. Le VLA plafonne à 9%. L'écart s'élargit exponentiellement avec le volume de données.

Une seule vidéo équivaut à environ 380 épisodes de post-training pour un VLA. C'est le ratio : un exemple visuel vaut des centaines d'essais téléopérés.

Skild a aussi testé la robustesse. Quand on déplace les objets, qu'on en remplace, ou qu'on change l'éclairage pendant l'exécution, S1 complète la tâche. Quand il fait une erreur, il réessaie au lieu de continuer aveuglément. Dans un cas, la démonstration montrait l'arrosage d'une plante avec un arrosoir, mais seul un verre d'eau était disponible. S1 a utilisé le verre. Dans un autre, le verre était déjà presque plein. S1 s'est contenté de compléter.

Les limites : pas de poids, pas d'API, pas de paper

C'est la partie qu'il faut garder en tête. Il n'y a pas de poids téléchargeables, pas d'API publique, pas de licence, pas de pricing, et pas de paper technique. Les chiffres viennent d'un benchmark interne que Skild n'a pas publié. Pas de comptage d'essais, pas de barres d'erreur, pas de baseline externe.

Le 66% repose sur un blog post et quatre démonstrations vidéo choisies : rempotage, pancakes, café filtre, assemblage de kit. Le modèle le plus performant (397B) n'est pas ouvert, le nombre de paramètres de S1 n'est pas publié.

DataNorth le résume bien : traite le 66% comme un signal directionnel, pas comme un benchmark. Un blog post, une évaluation interne et quatre tâches sélectionnées, c'est le niveau d'évidence le plus faible dans ce domaine. Skild a levé 1,4 milliard à une valorisation au-delà de 14 milliards en janvier, donc l'incitation à publier un chiffre fort est réelle.

Generalist AI avait annoncé GEN-1.5 la veille (24 août 2026), qui apprend des tâches de 3 à 12 secondes à partir d'une démonstration. Physical Intelligence a pi-0.5. Mais S1 se différencie par la longueur : 10 minutes et des dizaines d'étapes, bien au-delà de ce que les VLA publiés montrent.

Un exemple chez Maisons&Mobilia

Sophie, PM chez Maisons&Mobilia (M&M, enseigne de meubles fictive), veut automatiser l'emballage de commandes dans l'entrepôt. Chaque commande a une composition différente : un canapé décoin, une chaise, un lot de coussins. Aujourd'hui, un opérateur emballe chaque commande manuellement. Apprendre un nouveau format à un robot prendrait des jours de téléopération et de fine-tuning.

Avec une approche type S1, Sophie filmerait un opérateur emballer une commande spécifique en vidéo égocentrée. Le robot regarderait la vidéo et exécuterait l'emballage. Nouveau format de commande ? Nouvelle vidéo. Pas de fine-tuning.

La limite : S1 n'est pas accessible. Même s'il l'était, les 66% veulent dire qu'un tiers des tâches inédites rate. Et les benchmarks internes ne disent pas comment S1 se comporte sur des centaines de tâches répétées, dans des conditions d'entrepôt réelles, avec des objets qui changent de forme et de poids.

Mais le signal est là : le passage de la téléopération systématique à l'apprentissage par démonstration change l'économie de la robotique. Le coût d'ajouter une nouvelle compétence passe de "des jours de données et de fine-tuning" à "une vidéo de quelques minutes".

Ce que ça change si tu apprends l'IA

S1 est un cas concret pour comprendre trois notions qu'on enseigne dans les modules saisir.ai :

In-context learning vs fine-tuning : le même principe qui a fait passer le NLP de BERT à GPT-3, appliqué cette fois au monde physique. Le modèle n'apprend pas une tâche en modifiant ses poids, il l'apprend en lisant sa démonstration dans le prompt. Comprendre cette distinction, c'est comprendre pourquoi l'IA avance si vite : un seul modèle peut faire des milliers de tâches différentes sans ré-entraînement.
Modality matters : le langage n'est pas toujours le bon format pour spécifier une tâche. Pour les actions physiques complexes, la vidéo porte de l'information que les mots ne peuvent pas encoder. Le choix du format de prompt (texte, image, vidéo, audio) dépend de ce que tu veux que le modèle fasse. C'est une leçon de prompt engineering qui va au-delà du texte.
Foundation model : un seul modèle, un seul ensemble de poids, qui sert de base à de multiples tâches sans spécialisation. C'est l'idée derrière GPT, Claude, Gemini en NLP, et derrière S1 en robotique. La valeur n'est pas dans un modèle spécialisé, c'est dans un modèle général qui s'adapte.

La compétence pratique : savoir reconnaître quand un modèle généraliste avec in-context learning bat un modèle spécialisé fine-tuné. Sur les tâches connues, le spécialisé peut gagner. Sur les tâches inédites, le généraliste prend le dessus à mesure que les données grossissent. C'est le croisement que Skild a mesuré, et c'est la courbe qui détermine quand le généraliste devient pertinent.

Aller plus loin

Pour comprendre comment un agent IA apprend à utiliser des outils et enchaîner des étapes, notre article sur comment fonctionne un agent IA pose les bases du tool use et de l'orchestration. Pour voir les garde-fous à mettre en place quand un agent agit dans le monde physique, le guide sur les garde-fous des agents IA détaille le moindre privilège et le human in the loop. Et pour t'entraîner à ces notions en 5 minutes par jour, l'app saisir.ai propose des modules interactifs sur les agents, le in-context learning et les foundation models, en français, sans coder.

Sources

Questions fréquentes

C'est quoi Skild AI S1 ?: S1 est un foundation model robotique présenté par Skild AI le 25 août 2026. Il apprend une tâche de manipulation inédite à partir d'une seule vidéo humaine en perspective égocentrée, sans fine-tuning ni post-training. Le robot exécute ensuite la tâche de manière autonome, sur des séquences allant jusqu'à 10 minutes.
Quelle est la différence entre S1 et un VLA classique ?: Un VLA (vision-language-action) est prompté en langage : tu décris la tâche en mots. S1 est prompté en vidéo : tu montres la tâche en une démonstration. Sur les tâches inédites, S1 atteint 66% de succès contre 9% pour un VLA équivalent, parce que la vidéo porte des détails spatiaux et temporels que le langage ne peut pas encoder.
Peut-on télécharger ou utiliser Skild S1 ?: Non. Il n'y a pas de poids téléchargeables, pas d'API publique, pas de licence et pas de pricing. Skild déploie S1 avec un nombre limité de partenaires industriels (ABB Robotics, Universal Robots, MiR) et ouvrira un accès early access sur inscription.
Quels benchmarks Skild publie pour S1 ?: Skild rapporte 66% de succès sur des tâches inédites (contre 9% pour le VLA) à 100 000 heures de données d'entraînement. Une seule vidéo équivaut à environ 380 épisodes de post-training. Ces chiffres viennent d'un benchmark interne non publié, sans paper, sans comptage d'essais ni barres d'erreur.
S1 est-il un modèle open source ?: Non. Contrairement à Muse Glimmer de Meta ou aux modèles Qwen, S1 est un modèle fermé. Skild n'a publié ni les poids, ni l'architecture, ni le nombre de paramètres, ni le volume exact de données de pré-entraînement. Le 66% repose sur un blog post et quatre démonstrations vidéo.