哈佛、英伟达等开源机器人探索框架RAX
2026年10月，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的研究团队联合推出开源框架RAX（Robot Agent eXploration，机器人智能体探索），旨在扩大机器人智能体在真实与仿真环境中的自主探索规模。
RAX采用前后端分离设计：后端运行厂商驱动、仿真器与底层控制器，前端只向智能体暴露工具和技能接口。智能体拿到自然语言指令、目标图像和探索回合预算后，通过在线试错积累经验，将有效决策编译为模块化自主程序，并存入可长期保存的工作空间。该工作空间包含程序、笔记和经过验证的技能，供后续任务复用；每次交互成功后，决策会逐步从高层推理转移给自主执行程序。整个流程无需人工遥操作，也无需预训练策略或人工设计的动作原语，底层语言模型的参数始终保持固定。
针对空气炸锅操作等任务，智能体结合RGB-D图像与力信号构建三维世界模型，自主规划抓取、拉动和放物等动作。研究团队在多个仿真基准上对单臂、双臂、灵巧手、移动操作和人形机器人等平台进行了测试。随着探索规模扩大，机器人在未见环境中的泛化能力持续提升，RAX在仿真实验中的平均表现比最好基线模型高出37.4%。
- 2026-10-25 17:00 | 新浪财经：机器人的o1时刻来了！哈佛、伯克利、英伟达推出探索Scaling Law，五大基准平均领先37.4个点阅读原文
机器人领域已经轰轰烈烈地 Scaling 了好几年。更多遥操数据、更大的模型，VLA 和 WAM 在实验室中不断刷新机器人能力的上限。数据越采越多，模型越做越大，到了实际生产部署，具身智能依然绕不开那个老大难问题：换一台机器人、换一个工作环境，还要重新投入多少人力、数据和算力？成千上万小时的预训练，仍未让全新真实机器人上的零样本稳健部署成为常态。新本体需要重新采集数据、微调策略；场景和任务变了，又要继续适配。企业希望机器人尽快进入生产现场，研发团队却常常还在为下一轮数据采集和训练做准备。所谓具身智能的 GPT 时刻，以及遥操作扩展带来人力与资源的无底洞，是不是忽略了智能真正的来源？与人类类似，...
- 2026-10-19 17:23 | 36氪：清华姚班、哈佛学霸，让机器人自己写代码、练技能，终于不用人手把手带了阅读原文
机器人前瞻10月19日报道，近日，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的研究团队，推出开源框架RAX（Robot Agent eXploration，机器人智能体探索）。 RAX的核心思路是扩大机器人的自主探索规模。智能体通过在线获取经验，并将有效经验转化为可执行程序，不断提升自身能力。 简单来说，RAX让一个会写代码的通用智能体，在真实或仿真环境里“边干边试”，把尝试的有效做法写成可反复运行的程序。 ▲《Scaling Online Exploration for Robot Agents》 比如，在机器人执行开空气炸锅任务时，智能体一开始要边...