RAX 新增 DeepSeek 與 Kimi 支援：凍結模型也能學機器人，便宜與成功率如何取捨？
RAX 新增 DeepSeek Harness、Kimi Code 與自架 DeepSeek 支援。本文拆解不微調模型的探索流程、DexJoCo 成功率、示範資料與價格比較，說明每 Token 便宜二十倍，為何不等於每個成功任務便宜二十倍。
讓機器人多練幾次，不一定要再訓練一個新模型。RAX 採另一條路：讓固定的語言模型操作工具，從探索中修正控制程式，再把成功做法存成可重用技能。
10 月 21 日，作者公布這套框架新增 DeepSeek Harness、Kimi Code 與自架 DeepSeek 支援。這次更新讓同一套探索流程能接上更多模型及執行入口，而不是重新發布一個機器人基礎模型。
作者提到，DeepSeek 的 API 價格大約是 Claude Opus 5.5 的二十分之一。API 是讓程式呼叫模型服務的介面，這裡比較的是按文字用量計費的單位價格，不是整個機器人任務的帳單。
官方結果文件也顯示，DeepSeek 版本在十一項模擬任務的平均成功率是 66%，Opus 版本則是 96.7%。兩者的示範資料和探索預算不同，不能直接當成純模型能力排名。
對有模擬與測試環境的團隊，我認為這次更新值得用來比較低成本探索。若最在意一次完成率，或期待一般筆電直接控制真機，現有證據還不能替代實際部署測試。
要知道價差能省在哪裡，得先看這套流程讓固定模型究竟學會了什麼。
RAX 怎麼學機器人？改的是程式與記憶
RAX 的模型權重不更新，改進發生在探索紀錄、技能筆記和最後產生的控制程式。權重是模型訓練後的核心參數，這次保持不變，因此學到的新操作主要存在模型外部的工作空間。
官方 GitHub把流程分成探索、編成程式和評估。探索時，代理讀取觀察、呼叫機器人工具，根據回饋調整做法，再把成功所需的前提、動作與效果寫成紀錄。
例如，要把物品放到指定位置，代理需要先辨認場景，再選擇工具、安排動作，觀察執行後的位置。若結果不合要求，它可以修改程式或重新嘗試，而不是把這次經驗直接寫進語言模型的權重。
接著，系統把有效的決策序列整理成控制程式。這份程式可以檢查觀察到的狀態，再決定執行哪個步驟，因此最後成果不是只有一段成功影片，而是一份能再次執行的流程。
為什麼正式評估不必每一步重問模型
官方這批實驗的正式評估使用凍結後的機器人程式。也就是探索完成後，拿同一份程式去跑新的測試布局，執行時不需要語言模型持續決定每個動作，這與讓聊天代理全程即時指揮不同。
RAX 的這個分工會改變成本位置。模型服務費主要出現在探索與修改階段，測試或重複執行則還有模擬、控制與其他運算成本，因此不能只看最後程式不呼叫模型，就說整個流程沒有推論費用。
這些工作空間也有具體內容，包括任務說明、工具使用規則、技能目錄、記憶筆記與控制程式。因為改進保存在可讀檔案，研究者能檢查它學到哪個前提，而不必只從模型最後的回答猜測。
RAX 的實體機器人技能庫還把程式、適用前提、檢查方式與執行紀錄一起保留。官方以兩次無人介入成功執行作為技能標記 verified 的條件，這是該庫的紀錄規則，不等於技能已在所有布局驗證。
框架也把工具支架和機器人後端分開。工具支架負責工作空間、記憶與代理執行，後端則連接模擬器或機器人的感知及控制介面，讓不同設備可以接上相近的工作流程。
這種分工讓模型可以替換，但模型和工具支架必須分開比較。
這次新增哪些入口？DeepSeek、Kimi 與自架有何差別
RAX 新支援讓相同探索流程可以換模型供應商，也能改用自架推論。對已經有機器人後端的團隊，這提供了調整模型費用與執行方式的空間，但每一種組合仍要分別測試。
DeepSeek Harness、Kimi Code 與 Claude Code 等入口，是管理代理推理、工具呼叫和工作內容的程式環境。使用哪個入口，與背後接哪個模型服務，是可以分開的選擇，不能只看工具名字便認定使用相同模型。
官方結果裡就有 Claude Code 接 DeepSeek 的組合，也有 Kimi Code 接 Kimi K3。前者沒有因為工具名字帶 Claude，就變成使用 Opus，這也是閱讀測試表時需要先看清楚的地方。
新文件另外提供 DeepSeek V4.1 Flash 1017 的自架配置。自架是自己準備設備執行模型，與透過 OpenRouter 等服務呼叫相對應，但兩者只是推論來源不同，不代表機器人任務的其他條件自動相同。
同一個滑鼠任務，入口改變也會影響結果
官方附加比較在滑鼠任務使用十六回合探索預算、單代理、單環境，並提供三張目標狀態參考圖。每個設定有一份完成的探索工作，再用一百五十個正式布局測試產生的程式。
在這組結果中，Claude Code 接 DeepSeek API 與接本機推論，都得到 150 次成功。DeepSeek Harness 接 API 是 128 次，Kimi Code 接 Kimi K3 則是 145 次，顯示入口與配置也值得單獨比較。
但這是一個任務、每種配置一份探索工作的結果，不能推成某個工具在所有機器人工作都較好。它比較適合用來說明，新支援讓研究者有更多可實際驗證的組合，而不是直接產生通用榜單。
入口增加了選擇，是否足夠好用仍要看完整任務的成績。
66% 與 84% 怎麼讀？單臂和雙臂差異很大
RAX 的總平均掩蓋了任務差異，DeepSeek 在單臂和雙臂的結果並不接近。DexJoCo 是這批使用的機器人模擬基準，任務包含操作工具、搬物品，以及需要兩側手臂配合的工作。
官方十一項任務各測一百五十個布局，合計 1,650 次。這樣每項任務對總平均的權重相同，並不是依執行時間、難度或商業價值加權，所以總分仍需要配合各任務結果一起看。
以下整理這份文件的成功次數，先把整體、單臂和雙臂分開。
| 範圍 | 成功次數／測試次數 | 成功率 |
|---|---|---|
| 全部十一項任務 | 1089／1650 | 66.0% |
| 六項單臂任務 | 756／900 | 84.0% |
| 五項雙臂任務 | 333／750 | 44.4% |
表格顯示，單臂與雙臂相差接近四十個百分點。若團隊想處理的是雙臂協調，直接引用 84% 會高估與自己工作的關聯，因為這個數字只屬於六項單臂任務。
任務內部的差距也很大。滑鼠、提桶、夾取工具和澆水等四項單臂任務達到 150 次全成功，但摺眼鏡只有 49 次成功，所以即使都歸類為單臂，也不能預設每個工作都容易。
雙臂部分，解鎖平板是 142 次成功，微波爐烹調是 135 次，但河內塔和組裝任務都是零。這些差異能幫研究者挑選下一個測試題目，也提醒讀者別把平均值當作每項能力的保證。
文件列出 Opus 版本整體 96.7%、單臂 98.8%，但兩版探索程序並不相同。因此可以說這批已報告的程式結果有差距，還不能單憑它把差距全部歸因於模型。
這個差距需要連同示範資料與探索預算來解讀。
這批實驗用了示範，不能套用零示範口號
官方 DeepSeek 結果混合了兩種探索設定，其中九項任務使用完整專家示範。這點很重要，因為框架能支援沒有動作示範的探索，不代表後續每一組模型比較都採相同做法。
這九項 RAX 任務各提供三段完整示範，內容包括影片、分步動作、量到的狀態、時間戳記與原始紀錄。這些資料包含怎麼完成動作的資訊，比只有「最後應該長這樣」的圖片更完整。
滑鼠與平板兩項則採另一種設定，沒有專家動作示範，只有三張終點參考圖。這讓它們與其他九項的資料起點不同，所以總平均其實整合了兩種不同的探索條件。
探索預算也不一樣。九項示範任務允許六十四回合，使用四個代理與四個平行環境；滑鼠和平板允許十六回合，只有一個代理和一個環境，實際使用回合數可以低於上限。
Opus 的參考設定是三十二回合、單環境、沒有探索子代理，並提供三張目標圖而沒有專家動作或影片。這些差異可能影響學到的程式，也會影響探索時間和模型使用量。
多探索與多示範，不能一起算成模型變強
如果團隊想知道同一個模型換入口後是否改善，就應固定示範、回合上限和環境數。若想知道多提供示範有沒有幫助，則應固定模型和其他條件，讓改變的因素盡量單純。
這樣比較才能回答明確問題。現有文件對資料與預算揭露得相當完整，讀者可以依需求重做對照，不必把一份總表勉強解讀成單一因素的勝負。
延伸閱讀：AA-Robotics 首版評測語言模型控制手臂：最高分之外，時間與費用才是門檻
資料與預算不同，也會改變成本比較的分母。
二十分之一是什麼成本？價格、Token 與成功任務分開算
RAX 作者的近似價差對應 API 單位價格，並不是同等成功率下的實際總帳單。Token 是模型計算文字用量的單位，長提示、思考內容、工具結果與輸出，都可能影響一次探索消耗多少。
官方文件列出 10 月 21 日查核的價格，DeepSeek 經指定 OpenRouter 供應商的未快取輸入，每百萬 Token 為 0.15 至 0.30 美元，輸出為 0.60 至 1.20 美元，範圍反映供應商的時段費率。
同份文件列 Opus 5.5 標準模式輸入 4 美元、輸出 20 美元。因此未快取輸入的單價差約 13.3 至 26.7 倍，輸出的單價差約 16.7 至 33.3 倍，二十分之一是這類近似比較。
快取命中時又有不同費率。快取是讓服務重用已處理的提示前綴，若兩個流程重複資料的比例不同，實際節省也不同，因此不能只用未快取價替所有探索估帳。
更直接的問題是，一個成功任務需要多少次嘗試。如果便宜模型花更多回合、產生更多文字，或最後程式失敗需要重做，部分單價優勢就會被抵銷，現有文件沒有把所有條件整理成同等成功率總成本。
因此，團隊自己的成本表應同時保留輸入、輸出、快取量，以及探索後程式的正式測試結果。先知道花了多少，再知道得到多少可用結果，才有辦法比較完整工作，而不是只比較買 Token 的價格。
如果改成自架，費用還要換成硬體與維運的另一套算式。
自架門檻與試用路徑：先做單一任務對照
官方自架範例使用四張 H200、四十八個 CPU 核心與 1TB 主機記憶體，主要面向已有運算設備的團隊。它不是下載到一般筆電，就能照同一份設定執行的配置。
這份配置也固定模型檢查點與推論映像，並驗證服務介面。這些資訊讓重現更有依據，但實際設備能不能符合，仍要看顯卡、主機記憶體和軟體相容性，不能只確認有四張卡便算完成。
對剛評估 RAX 的團隊，比較合適的起點是先用現有模擬後端，選一個與需求接近的任務。固定輸入資料、探索預算與正式布局，分別接不同模型，再記錄程式能否獨立完成工作。
RAX 另公開五份 Franka 與七份 RB-Y1 真機探索工作紀錄，內容包含代理對話、工具呼叫、機器人狀態、相機影像與操作者指示。這些原始紀錄適合檢查系統怎麼修正失敗，但不能拿來替代本次 DeepSeek 模擬結果的實機證明。
若團隊準備從模擬轉到真機，可以先對照相同工具角色需要哪些後端能力。RAX 的程式支架不直接匯入機器人套件，實際控制由服務處理，因此新的設備仍要補自己的介面與量測，而不是只更換模型名稱。
重現 RAX 時也應保留最後送測的程式，避免探索後又修改內容，卻繼續沿用先前成功率。因為正式成績對應的是特定凍結版本，程式一旦改變，就需要重新確認相關結果。
RAX 原始碼採 Apache 2.0，機器人或模擬器、資產、模型和資料集仍各有授權。若要接實體設備，官方設計也保留操作員與機器人服務的分工，這部分不能直接用模擬測試取代。
我的建議是把新增模型當成可比較的候選，而不是只看低單價便更換整套流程。若任務容許多次探索，可能有省費空間；若失敗成本很高，就應先確保程式結果達到自己的門檻。
延伸閱讀：DeepSeek V4.1 Flash 1017 更新：整個專案交給 AI，搜尋與開發成本怎麼算？
先固定任務、示範和探索預算，才看得出新增入口是否改善自己的成本與結果。
RAX 常見問題
RAX 會重新訓練語言模型嗎？
這條路線保持模型權重固定，主要改善外部程式、記憶與技能紀錄。
DeepSeek 的這批測試完全沒有示範嗎？
不是，九項任務提供三份完整專家示範，滑鼠與平板則使用目標圖，條件應分開看。
自架就一定比 API 便宜嗎？
不能直接判斷。自架範例有高硬體需求，還要計入設備使用率、維運與運算時間。
用完整任務決定模型，不只看單價
RAX 新增的入口讓研究者更容易比較模型與工具支架，但現有結果也展示了能力差距和資料條件的重要性。對已有模擬環境的團隊，先做同預算的小題目比較，比直接套用二十分之一更有價值。
記錄一份程式怎麼探索、花多少錢、通過多少正式布局，再決定是否擴大，才能把更新變成可解釋的改善。想追蹤機器人研究與模型工具更新，可以免費訂閱 AI 郵報。
