哈佛/NVIDIA 等发布 RAX：冻结模型权重，靠技能库让机器人成功率 26%→94%
jiqizhixin · x · 2026-11-06
哈佛、NVIDIA、UC Berkeley、MIT 与 Stanford 研究者在预印本《Scaling Online Exploration for Robot Agents》中提出 RAX，解决机器人「每学新任务都要重训策略」的瓶颈：模型能推理任务，但每次从零重复推理浪费经验和推理时间。
- 机制：编码 agent 读观测、编写感知与控制程序、检查结果并修订失败程序；工作笔记与技能库保存有效决策。验证通过的例程直接运行，不确定或执行失败时交还 agent。
- 关键设计：模型权重保持冻结，只变化程序库（配图展示 Memory/感知/控制架构与真实机器人程序示例）。
- 效果：在 RoboDojo 插充电器任务上，未见布局的成功率从 4 轮探索后的 26.0% 升至 94.0%。
「具身」频道最新
- 用 PlaiPin 设备+Grok Gadget SDK 动口就能让 agent 写 App — tetsuoai · 2026-11-06
- 神操作：MacBook Pro 被改成触摸屏，直接搓玻璃玩王者荣耀 — xiaohu · 2026-11-06
- 研究者分享与 Stanford 合作的机器人研究方向及 BARS 演讲 — Fowe · 2026-11-06
- 开源机器人操作 Agent 框架：Qwen3.8 得分 31.39 超越 GPT-6 Astra — aigclink · 2026-11-06
- 开发者为双屏 iPhone Duo 打造海战游戏,双机对打还能挑战 AI — HankYeomans · 2026-11-06
- Wayve Driver 旧金山市区实测demo体验分享 — Sethwinterroth · 2026-11-06