一句话看懂：alphaXiv 收录的论文 RAX 提出一种开源机器人智能体框架，让通用编码智能体在真实和仿真环境中自主探索并生成控制程序，而不依赖遥操作动作示范数据。这一路线如果可复现，可能改变机器人学习对专用示范数据集的依赖。
事件核心：发生了什么
2026年10月15日，alphaXiv 页面展示的论文介绍了 RAX（Robot Agent eXploration）。其核心做法是：把机器人的感知与控制接口交给一个冻结的通用编码智能体，由它在线尝试、观察结果、修正策略，再把成功的决策过程编译成模块化程序，封装感知、规划与控制闭环，并以代码、适用条件和证据的形式存入技能库。论文称，在五个仿真对比中，RAX 相对此前最强的学习型基线平均领先 37.4 个百分点，覆盖 RoboDojo、BEHAVIOR-1K、HumanoidArena、DexJoCo 五个双臂任务和 LIBERO-Pro。真实机器人上，论文报告其在无人工示范条件下完成记忆依赖、铰接物体、高精度、可变形物体及长程移动操作等任务。需要注意，这是论文摘要层面的结果，尚不代表已上线产品或经过同行评审。
为什么重要
传统机器人学习靠扩大示范数据集和模型容量，但换一个机器人本体或任务，往往还要重新采集遥操作数据，策略的泛化能力受制于模仿分布。RAX 把探索过程转化为可复用的程序化技能，语言模型本身不更新、也不训练策略，累积的是程序、笔记和已验证技能。这为“无示范数据冷启动”和跨本体迁移提供了一条不同于端到端策略训练的路线，也呼应了当前大模型作为智能体编排层进入机器人控制栈的趋势。
对用户/开发者/创作者的影响
对开发者而言，论文称新机器人本体只需通过 API 接入 RAX，无需遥操作采数或策略训练，理论上降低了接入门槛；但底层控制器与安全保护仍留在隔离边界之后，不意味着完全无人参与——任务、接口和安全设置仍需人提供。对研究者，值得留意其评测口径：五个仿真对比权重相同但指标不统一，且 HumanoidArena 中 RAX 使用每任务 3 条示范、基线使用 100 条，并非所有任务都完全无示范。对关注机器人商业化的团队，目前公开信息显示该框架以开源形式发布，实际可用性与工程成熟度仍待验证。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是论文完整实验细节和代码是否公开可复现，尤其是真实机器人任务的成功率与安全性记录；二是“技能库”在长时间运行中的维护成本，以及异常处理机制是否足够稳健；三是是否有其他团队在多本体场景中跟进同类“探索即编程”路线，并给出统一指标下的对照结果。
来源：alphaXiv
