一句话定义：GLOW 是一套面向机器人的少样本示教学习（few-shot imitation learning）框架——人演示几次动作，机器人就能上手一个新任务，不需要为每个任务重新采集海量数据、重训一遍模型。
它是怎么做到的
传统做法像「重新上学」：任务从「把杯子放到桌上」换成「把抽屉拉开」，就得重新采集几万条轨迹、重训模型，周期以周计。GLOW 想解决的是「插班就能跟上」的问题。
打个比方：老师傅带新人。老办法是让新人把整本操作手册背下来；示教学习更像老师傅当面做三遍，新人照着模仿。GLOW 这类框架的关键，是让机器人先有「通用身体感」——视觉、语言、动作之间已经对齐好的基础模型，再把新演示当作临时上下文来用，而不是从头改写全部参数。
一套典型流程大致是：
1. 采集少量演示：遥操作、动捕手套或视频，几条到几十条即可；
2. 编码成任务提示：把演示压缩成模型能读的条件信号；
3. 适配而非重训：靠AI 词典：上下文学习">上下文学习（in-context learning）或轻量微调（fine-tuning），让同一个底座模型切换任务；
4. 闭环执行与纠错：执行中跑偏了，用少量人工干预回滚修正。
这里「少样本」是核心：不是零样本（zero-shot，全靠常识硬猜），也不是全量微调，而是「给几个例子就上手」。
| 维度 | 传统编程 | 强化学习 | 少样本示教 |
|---|---|---|---|
| 数据需求 | 无需数据，需精确建模 | 海量试错 | 少量演示 |
| 学习方式 | 人工写规则 | 奖励驱动 | 模仿＋适配 |
| 换任务成本 | 重写代码 | 重新训练 | 换演示、轻适配 |
| 典型瓶颈 | 难覆盖长尾 | 真机试错贵 | 演示质量与分布 |
容易混淆的地方
模仿学习（imitation learning）是「从演示学动作」的大范畴，少样本示教是它的一个子问题；微调会改动模型参数，上下文适配往往不改；零样本靠预训练常识硬扛，泛化不稳。三者并不互斥，实际系统常常混用。
对从业者和普通人的意义
对做具身智能的团队，价值在于把「每个任务一次大训练」变成「每个任务几次演示」——这个边际成本，直接决定机器人能不能规模化交付。对普通职场人，这也是个通用隐喻：当底座能力足够通用时，稀缺的不再是数据量，而是「把意图讲清楚的几个好例子」。演示质量和任务描述是否清晰，常常比堆数据更决定成败。
GLOW 的具体模块设计、训练流程与适用范围，请以官方技术报告和项目页面为准。