机器人照着人类演示学会叠杯后，一旦抓歪了，往往不知道怎样补救。行为克隆（Behaviour Cloning）只学习“这种情况该做什么动作”，失败记录不能直接拿来模仿。Q-Planning 想解决的，正是示范数据成为能力上限的问题。
它没有重训昂贵的机器人策略，而是给冻结的行为克隆模型配上一个较小的离策略 Q 函数——像一名评审员，估计每个候选动作往后能带来多大好处。机器人每次从原模型生成多个动作方案，再按 Q 分数做加权选择。关键在于，Q 函数不负责模仿，因此既能学习成功示范，也能吸收部署中的失败轨迹；后续迭代只更新这名“评审员”，不改原策略。
作者称，经过十轮自我改进，方法提升了所有受测的 LIBERO 与双臂 RoboTwin 基准分数；在两项接触密集的真实双臂任务中，也能在无人追加示范、行为克隆模型保持冻结的情况下，靠五轮自身执行记录改进。论文给出的真正亮点不是让机器人随意试错，而是把失败变成可用的判断依据，同时避开直接强化学习微调大型模型的高成本与不稳定性。