让机器人一次想出好几种动作，再挑最好的，看起来总比直接行动稳妥。但前提是候选真的有优劣，而且“评委”能看准。论文在 Cosmos Policy 与 RoboCasa 上审计了这种测试时搜索——部署后用更多即时计算生成并比较候选动作。结果显示，在排除渲染异常的干净数据中，模型的价值选择器（预测哪套动作未来收益更高的评分器）反而比随机选择低 1.66 个百分点。
问题不只出在评委。82% 的状态里，所有候选最终结果相同，几乎没有可挑选的空间；即使用事后已知成败的“上帝视角”选择器，也只提升 1.40 个百分点，且按 episode 统计的区间跨过零，证据并不确定。作者还发现，计算更重的规划路径更容易遭遇静默渲染损坏，并已发布检测器和修复。结论不是“多搜索一定无用”，而是：候选差异、选择器和评测链路若不可靠，额外算力可能只会更自信地选错；这些结果仅适用于论文测试的配置。