扩展机器人智能体的在线探索能力工作来自哈佛大学、英伟达、加州大学伯克利分校、麻省理工学院和斯坦福大学，2026年10月。这篇论文《Scaling Online Exploration for Robot Agents》的核心贡献，是展示一条机器人学习路径：让冻结的大模型通过在线试错，把经验积累为可执行的感知、规划与控制程序。 机器人智能体探索（RAX）的优势在于程序化技能的可检查性、复用能力，以及对场景变化的适应；主要不足则是探索成本高、实验条件不完全对等，真实机器人上的自主性和可靠性仍缺乏充分验证。