教会机器人“把香蕉放进碗里”不算难；换成“把猴子爱吃的水果放进碗里”，它却可能卡住。难点不是不会抓放，而是不懂怎样把陌生目标拆成自己会做的步骤。EXIMO瞄准的正是这道坎：让机器人少等人手把手示范，先自己收集有用经验。
它分三步走。探索时，VLM（视觉语言模型，能同时理解画面和文字）充当规划者，把长任务拆成较短的自然语言指令，再交给VLA——一种把画面、语言指令直接转成动作的模型——执行；系统只保留被环境判定为成功的过程。随后，VLA用这些经验微调，也就是在原有模型上继续训练；最后再用强化学习做动作修正。
作者在模拟环境的22项操作任务上报告，VLM引导提高了数据利用效率，完整方法也优于基础VLA及若干对照方案。值得注意的是，这条路线目前依赖环境提供准确的成功判定；论文把改用VLM判断成败列为未来方向。