Problem

微調大型視覺語言動作（VLA）模型學習新任務時，手動收集遠端操作示範資料的成本極高，且傳統強化學習在處理複雜的長程任務時效率低下，難以直接應用於具備數十億參數的巨型模型。

Method

提出 EXIMO 演算法，將流程分為三個階段：首先透過視覺語言模型（VLM）作為規劃器，將挑戰性高的長程任務拆解，並引導 VLA 探索以收集編排資料（Explore）；接著利用該資料對 VLA 進行模仿學習（Imitate）；最後採用殘差離策強化學習（Residual Off-policy RL）進行最終的策略優化（Optimize）。

Results

實驗數據顯示，EXIMO 在各個階段的消融測試中均表現優異。在樣本效率與最終任務達成率上，EXIMO 顯著超越了現有的基準方法，證明了透過 VLM 引導能有效提升 VLA 在新任務上的學習品質。

Significance

此研究克服了機器人學習新技能時的資料獲取瓶頸，並有效解決了大規模基礎模型在物理世界訓練中樣本不足的問題，為開發高效能、能快速適應新環境的自動化機器人系統提供了新技術路徑。