arXiv 2026年10月1日该工作提出 TacEx 框架，将模型不确定性按感知模态分解并把好奇心导向触觉通道，使机器人在无任务奖励、无专家示范的探索中学会操作与抓取，所采集的交互密集数据集可支持离线学习下游取放策略，并可用于后训练视觉-语言-动作（VLA）模型，在初始未接触触觉反馈的 VLA 上显著提升下游性能且保持高样本效率。该工作提出 TacEx 框架，将模型不确定性按感知模态分解并把好奇心导向触觉通道，使机器人在无任务奖励、无专家示范的探索中学会操作与抓取，所采集的交互密集数据集可支持离线学习下游取放策略，并可用于后训练视觉-语言-动作（VLA）模型，在初始未接触触觉反馈的 VLA 上显著提升下游性能且保持高样本效率。TacEx 用触觉好奇心驱动机器人探索，无需任务奖励即可学会抓取并提升 VLA 下游表现该工作提出 TacEx 框架，将模型不确定性按感知模态分解并把好奇心导向触觉通道，使机器人在无任务奖励、无专家示范的探索中学会操作与抓取，所采集的交互密集数据集可支持离线学习下游取放策略，并可用于后训练视觉-语言-动作（VLA）模型，在初始未接触触觉反馈的 VLA 上显著提升下游性能且保持高样本效率。该工作提出 TacEx 框架，将模型不确定性按感知模态分解并把好奇心导向触觉通道，使机器人在无任务奖励、无专家示范的探索中学会操作与抓取，所采集的交互密集数据集可支持离线学习下游取放策略，并可用于后训练视觉-语言-动作（VLA）模型，在初始未接触触觉反馈的 VLA 上显著提升下游性能且保持高样本效率。