🤖 AI

VGAS: Value-Guided Action-Chunk Selection for Few-Shot Vision-Language-Action Adaptation

यह शोध पत्र VGAS प्रस्तुत करता है, जो एक उच्च-रिकॉल प्रस्ताव जनरेटर (high-recall proposal generator) को एक ज्यामितीय रूप से आधारित क्रिटिक (geometrically grounded critic) और स्पष्ट ज्यामितीय नियमितीकरण (explicit geometric regularization) के साथ जोड़कर, सीमित पर्यवेक्षण के तहत अस्पष्टताओं को दूर करने और मजबूती में सुधार करने के लिए फ्यू-शॉट विजन-लैंग्वेज-एक्शन अनुकूलन को बढ़ाता है।

मूल लेखक: Changhua Xu, En Yu, Junyu Xuan, Jie Lu

प्रकाशित 2026-05-25

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Changhua Xu, En Yu, Junyu Xuan, Jie Lu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक रोबोट को वीडियो कैमरा और वॉयस कमांड का उपयोग करके एक विशिष्ट वस्तु, जैसे कि एक कैन (can) उठाने के लिए सिखा रहे हैं। आपके पास रोबोट को यह दिखाने के लिए केवल पाँच उदाहरणों का समय है। यह "फ्यू-शॉट" (few-shot) समस्या है: बहुत कम प्रदर्शनों से एक जटिल शारीरिक कौशल सीखना।

यह शोध पत्र एक नई विधि पेश करता है जिसे VGAS (वैल्यू-गाइडेड एक्शन-चंक सिलेक्शन) कहा जाता है, ताकि इस समस्या को हल किया जा सके जहाँ रोबोट कुछ ही उदाहरणों से सीखने की कोशिश करते समय विफल हो जाते हैं।

यहाँ बताया गया है कि यह कैसे काम करता है, सरल उपमाओं (analogies) का उपयोग करते हुए:

समस्या: "लगभग सही" वाली गलती

वर्तमान रोबोट एक "विज़न-लैंग्वेज-एक्शन" (VLA) मॉडल का उपयोग करते हैं। इस मॉडल को एक बहुत ही बुद्धिमान छात्र के रूप में समझें जिसने रोबोटिक्स के बारे में लाखों किताबें पढ़ी हैं (प्री-ट्रेनिंग) लेकिन उसने केवल कैन उठाने के पाँच विशिष्ट वीडियो देखे हैं (फाइन-ट्यूनिंग)।

जब आप इस छात्र को कैन को उन वीडियो में दिखाए गए स्थान से थोड़ा अलग जगह पर रखने के लिए कहते हैं, तो वह आमतौर पर विचार को समझ जाता है ("मुझे कैन को पकड़ना है")। हालाँकि, वह अक्सर ज्यामिति (geometry) में विफल हो जाता है।

उपमा: कल्पना कीजिए कि छात्र एक निशाने पर तीर चलाने की कोशिश कर रहा है। वह जानता है कि उसे केंद्र पर निशाना लगाना है (semantics), लेकिन क्योंकि उसने पर्याप्त अभ्यास नहीं किया है, उसके प्रहार थोड़े गलत होते हैं। वह एक इंच की दूरी से चूक सकता है।
परिणाम: वास्तविक दुनिया में, एक इंच की चूक का मतलब है कि रोबोट का हाथ कैन के बजाय मेज से टकरा जाएगा, या वह कैन को बहुत ढीले से पकड़ेगा। शोध पत्र इन क्रियाओं को "नियर-मिस" (near-miss) क्रियाएं कहता है। वे सिद्धांत में सही दिखती हैं लेकिन व्यवहार में विफल हो जाती हैं।

समाधान: "कई प्रयास करें, सबसे अच्छा चुनें" रणनीति

रोबोट को हर बार सही अनुमान लगाने के लिए मजबूर करने के बजाय, VGAS रणनीति को बदल देता है। यह काम को दो भागों में विभाजित करता है: जेनरेशन (Generation) और सिलेक्शन (Selection)।

1. जनरेटर (द क्रिएटिव ड्रीमर - रचनात्मक स्वप्नद्रष्टा)

सबसे पहले, रोबोट अपने मानक प्रशिक्षण का उपयोग करके अपने हाथ को हिलाने के कई संभावित तरीके (जिन्हें "एक्शन चंक्स" कहा जाता है) उत्पन्न करता है।

उपमा: कल्पना कीजिए कि रोबмोट एक मंथन सत्र (brainstorming session) है। वह जल्दी से 10 अलग-अलग तरीके स्केच करता है कि वह कैन तक कैसे पहुँच सकता है। अधिकांश स्केच ठीक हैं, लेकिन कुछ लक्ष्य से थोड़े हटकर हैं। यहाँ लक्ष्य केवल बहुत सारे विचार सामने लाना है (High Recall)।

2. क्रिटिक (द ज्योमेट्रिक जज - ज्यामितीय न्यायाधीश)

यही मुख्य नवाचार है। शोध पत्र एक विशेष "जज" पेश करता है (एक न्यूरल नेटवर्क जिसे Q-Chunk-Former कहा जाता है) जो उन सभी 10 स्केच को देखता है और उनमें से एक सबसे अच्छा चुनता है।

पुराने जजों के साथ समस्या: पिछले जज बहुत सख्त थे। वे कह देते थे, "यह स्केच प्रशिक्षण वीडियो के बिल्कुल समान नहीं है, इसलिए यह बुरा है," और उन सभी को खारिज कर देते थे जो एक सटीक प्रतिलिपि नहीं थे। यह एक ऐसे शिक्षक की तरह है जो किसी भी निबंध को 'F' ग्रेड देता है जो पाठ्यपुस्तक के शब्दों का बिल्कुल सटीक उपयोग नहीं करता है।
VGAS जज: VGAS जज अधिक स्मार्ट है। यह समझता है कि रोबोट को अपनी ज्यामिति (दूरी, कोण, स्थिति) के साथ सटीक होने की आवश्यकता है। यह 10 स्केच को देखता है और कहता है, "स्केच #3 थोड़ा गलत है, लेकिन स्केच #7 एकदम सही पथ के बहुत करीब है।" यह #7 को चुनता है।

गुप्त मंत्र: "एक्सप्लिसिट ज्योमेट्रिक रेगुलराइजेशन" (EGR)

यह जज केवल पाँच वीडियो देखकर इतना सटीक कैसे सीखता है? शोध पत्र एक विशेष प्रशिक्षण नियम पेश करता है जिसे एक्सप्लिसिट ज्योमेट्रिक रेगुलराइजेशन (EGR) कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक छात्र को वृत्त (circle) बनाना सिखा रहे हैं।
- पुरानी विधि: आप उन्हें एक आदर्श वृत्त दिखाते हैं। यदि वे थोड़ा दबा हुआ वृत्त बनाते हैं, तो आप कहते हैं "गलत।" यदि वे थोड़ा बड़ा बनाते हैं, तो आप कहते हैं "गलत।" वे केवल उसी की नकल करना सीखते हैं जो उन्होंने देखा था।
- VGAS विधि (EGR): आप उन्हें एक आदर्श वृत्त दिखाते हैं, लेकिन आप उन्हें यह भी बताते हैं: "यदि आपका वृत्त थोड़ा दबा हुआ है, तो भी यह ठीक है, लेकिन यह जितना अधिक दबा होगा, 'स्कोर' उतना ही खराब होगा।" आप स्कोर का एक चिकना घाटी (valley) बनाते हैं। आदर्श वृत्त सबसे निचले स्तर पर है (सबसे अच्छा स्कोर)। थोड़ा दबा हुआ वृत्त पहाड़ी पर थोड़ा ऊपर है। एक बहुत ही खराब वृत्त पहाड़ के बहुत ऊपर है।
- परिणाम: रोबलेट सीखता है कि गुणवत्ता का एक "चिकना ढलान" (smooth slope) होता है। यह उस उम्मीदवार को चुन सकता है जो घाटी के सबसे निचले हिस्से के सबसे करीब है, भले ही वह सटीक प्रशिक्षण उदाहरण न हो। यह "वैल्यू लैंडस्केप" को ढहने से रोकता है, जहाँ हर विकल्प समान रूप से बुरा दिखाई देता है।

व्यवहार में यह कैसे काम करता है

सैंपल (Sample): रोबोट 10 अलग-अलग मूवमेंट प्लान (एक्शन चंक्स) बनाता है।
स्कोर (Score): "ज्योमेट्रिक जज" प्रत्येक योजना को इस आधार पर स्कोर करता है कि वह एक आदर्श भौतिक निष्पादन के कितने करीब है, न कि इस आधार पर कि वह टेक्स्ट निर्देशों के कितनी अच्छी तरह मेल खाता है।
सिलेक्ट (Select): रोबोट उच्चतम स्कोर वाला प्लान चुनता है और उसे निष्पादित करता है।

परिणाम

लेखकों ने इसका परीक्षण LIBERO नामक एक बेंचमार्क पर किया, जिसमें रोबोट वस्तुओं को विशिष्ट स्थानों पर ले जाने जैसे कार्य करते हैं।

परिणाम: एक "5-शॉट" परिदृश्य में (केवल 5 उदाहरण), मानक रोबोट लगभग 40% बार सफल हुआ। VGAS रोबोट लगभग 49% बार सफल हुआ।
यह क्यों मायने रखता है: हालांकि प्रतिशत में उछाल छोटा लग सकता है, रोबोटिक्स में विश्वसनीयता में 10% का सुधार बहुत बड़ा होता है। इसका अर्थ है कि जब स्थिति थोड़ी बदलती है, तो रोबोट के वस्तु को गिराने या चीजों से टकराने की संभावना बहुत कम हो जाती है।

सारांश

VGAS एक रोबोट को "दूसरी जोड़ी आँखों" देने जैसा है जो भौतिक सटीकता में विशेषज्ञता रखती है। केवल यह उम्मीद करने के बजाय कि रोबोट का पहला अनुमान एकदम सही हो, यह कई अनुमान उत्पन्न करता है और एक विशेष जज का उपयोग करता है जो उस अनुमान को चुनता है जो ज्यामितीय रूप से सफलता के सबसे करीब है। यह रोबोट को पहली बार में ही परफेक्ट होने की आवश्यकता के बिना, बहुत कम उदाहरणों से नए भौतिक कार्यों को सीखने में सक्षम बनाता है।

तकनीकी सारांश: VGAS – फ्यू-शॉट विजन-लैंग्वेज-एक्शन अडैप्टेशन के लिए वैल्यू-गाइडेड एक्शन-चंक सिलेक्शन

1. समस्या की परिभाषा

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल एम्बॉडीड एआई (embodied AI) के लिए एक परिवर्तनकारी प्रतिमान के रूप में उभरे हैं, जो मल्टीमॉडल इनपुट (विजुअल ऑब्जर्वेशन और लैंग्वेज इंस्ट्रक्शन) को भौतिक नियंत्रण में मैप करते हैं। हालाँकि, इन जनरललिस्ट पॉलिसियों को नए कार्यों के लिए कम प्रदर्शनों (फ्यू-शॉट रिजीम) के साथ अनुकूलित करना अविश्वसनीय बना हुआ है। जबकि सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) मॉडल को कार्य की सिमेंटिक्स कैप्चर करने की अनुमति देती है, यह अक्सर सीमित पर्यवेक्षण के तहत सूक्ष्म ज्यामितीय अस्पष्टताओं (fine-grained geometric ambiguities) को हल करने में विफल रहती है।

पहचानी गई मुख्य समस्या यह है कि डेटा-दुर्लभ सेटिंग्स (जैसे, 5-शॉट अडैप्टेशन) में, फाइन-ट्यून की गई VLA पॉलिसियाँ ऐसी एक्शन ट्राजेक्टरीज उत्पन्न करती हैं जो सिमेंटिक रूप से तो तर्कसंगत होती हैं लेकिन ज्यामितीय रूप से अपरिष्कृत होती हैं। ये "नियर-मिस" (near-miss) क्रियाएं—जो एंड-इफेक्टर पोज़ या जॉइंट एंगल्स के मामले में ग्राउंड ट्रुथ से थोड़ा विचलित होती हैं—विभेदक निष्पादन परिणामों की ओर ले जाती हैं, जैसे कि गलत ग्रैस्प या जॉइंट ओवरशूट। मानक ऑफलाइन रीइन्फोर्समेंट लर्निंग (ORL) विधियाँ यहाँ संघर्ष करती हैं क्योंकि:

स्ट्रक्चरल मिसमैच: आधुनिक VLA परमाणु चरणों (atomic steps) के बजाय टेम्पोरली एक्सटेंडेड एक्शन चंक्स (action chunks) आउटपुट करते हैं, जो एक सेमी-मार्कोव डिसीजन प्रोसेस (SMDP) बनाता है जो वैल्यू लर्निंग और क्रेडिट असाइनमेंट को जटिल बनाता है।
रैंकिंग रेजोल्यूशन बनाम कंजर्वेटिज्म: पारंपरिक कंजर्वेटिव ORL ऑब्जेक्टिव्स (जैसे, CQL) आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) क्रियाओं को बिना सोचे-समझे दबा देते हैं। फ्यू-शॉट सेटिंग्स में, यह वैध "नियर-मिस" उम्मीदवारों और विनाशकारी विफलताओं के बीच के वैल्यू गैप्स को संकुचित कर देता है, जिससे इन्फरेंस-टाइम सिलेक्शन के लिए आवश्यक सूक्ष्म रैंकिंग रेजोल्यूशन नष्ट हो जाता है।

2. कार्यप्रणाली: VGAS

लेखक VGAS (वैल्यू-गाइडेड एक्शन-चंक सिलेक्शन) प्रस्तावित करते हैं, जो फ्यू-शॉट VLA अडैप्टेशन को एक जनरेशन-सिलेक्शन समस्या के रूप में पुनर्गठित करता है। यह पॉलिसी को एक हाई-रिकॉल जनरेटर और एक हाई-प्रिसिजन क्रिटिक में अलग करता है, जो उन एक्शन चंक्स की पहचान करने के लिए इन्फरेंस-टाइम बेस्ट-ऑफ-N सिलेक्शन करता है जो सिमेंटिक रूप से वफादार और ज्यामितीय रूप से सटीक दोनों हैं।

2.1 फ्रेमवर्क ओवरव्यू

जेनरेशन: एक बेस VLA पॉलिसी ( $\pi_\mu$ ), जिसे प्रदर्शनों के एक छोटे सेट पर SFT के माध्यम से फाइन-ट्यून किया गया है, एक प्रपोजल जनरेटर के रूप में कार्य करती है। इन्फरेंस के समय, यह $N$ कैंडिडेट एक्शन चंक्स $\{A^{(i)}_t\}_{i=1}^N$ सैंपल करती है।
सिलेक्शन: एक सीखा हुआ क्रिटिक ( $Q_\theta$ ) इन उम्मीदवारों का मूल्यांकन करता है। अंतिम क्रिया बेस्ट-ऑफ-N के माध्यम से चुनी जाती है: $A^*_t = \arg\max_i Q_\theta(s_t, A^{(i)}_t)$ ।

2.2 मुख्य घटक

A. Q-चंक-फॉर्मर (क्रिटिक आर्किटेक्चर)

उच्च-आयामी, टेम्पोरली एक्सटेंडेड एक्शन चंक्स के लिए वैल्यू अनुमान लगाने की चुनौती को संबोधित करने के लिए, लेखक Q-चंक-फॉर्मर पेश करते हैं, जो एक ट्रांसफॉर्मर-आधारित क्रिटिक है।

स्टेट-एक्शन फ्यूजन (SAF): विजन, लैंग्वेज और प्रोप्रियोसेप्शन टोकन्स के नाइव कॉन्कैटिनेशन (concatenation) के विपरीत, जो अक्सर मॉडल को महत्वपूर्ण ज्यामितीय संकेतों को अनदेखा करने का कारण बनता है, SAF मल्टीमॉडल इंटीग्रेशन से पहले रोबोट की प्रोप्रियोसेप्टिव स्टेट ( $p_t$ ) पर रॉ एक्शन चंक्स को स्पष्ट रूप से कंडीशन करता है। यह फेजिबिलिटी-अवेयर वैल्यू एस्टीमेशन सुनिश्चित करता है।
टेम्पोरल मॉडलिंग: आर्किटेक्चर एक्शन चंक्स के भीतर टोकन-लेवल फीचर्स और टेम्पोरल ऑर्डरिंग को सुरक्षित रखता है, जिससे अटेंशन मैकेनिज्म को सटीक वैल्यू एस्टीमेशन के लिए महत्वपूर्ण ज्यामितीय संकेतों पर ध्यान केंद्रित करने की अनुमति मिलती है।

B. ऑप्टिमाइजेशन ऑब्जेक्टिव

क्रिटिक को टेम्पोरल कंसिस्टेंसी और स्पेशियल ज्योमेट्रिक रेगुलराइजेशन को संयोजित करने वाले एक हाइब्रिड ऑब्जेक्टिव का उपयोग करके प्रशिक्षित किया जाता है:
$\min_\theta \mathcal{J}(\theta) = \mathcal{L}_{TD}(Q_\theta) + \lambda \mathcal{L}_{EGR}(Q_\theta)$

प्रपोजल-कंस्ट्रेंड चंक्ड एक्सपेक्टेड-मैक्स (TD लॉस):
बेस्ट-ऑफ-N सिलेक्शन रूल के साथ टेम्पोरल कंसिस्टेंसी सुनिश्चित करने के लिए, लेखक फ्रोजन पॉलिसी $\pi_\mu$ से $N$ सैंपल किए गए प्रपोजल्स पर एक्सपेक्टेड मैक्स (EMaQ) ऑपरेटर को चंक्ड SMDP सेटिंग में अनुकूलित करते हैं, यह सुनिश्चित करते हुए कि क्रिटिक प्रेरित सिलेक्शन पॉलिसी $\pi^{(N)}_{\mu,Q}$ के वैल्यू फंक्शन को सीखता है।
एक्सप्लिसिट ज्योमेट्रिक रेगुलराइजेशन (EGR):
वैल्यू लैंडस्केप कोलैप्स को रोकने और नियर-मिस उम्मीदवारों के बीच रैंकिंग रेजोल्यूशन बनाए रखने के लिए, EGR सघन ज्यामितीय पर्यवेक्षण (dense geometric supervision) इंजेक्ट करता है। इसमें दो भाग हैं:
- ज्यामितीय एंकरिंग ( $\mathcal{L}_{anchor}$ ): यह वैल्यू स्केल को TD टारगेट के साथ एंकर करता है और भारित यूक्लिडियन दूरी के आधार पर एक्सपर्ट प्रदर्शन चंक से विचलन को दंडित करता है। यह वैल्यू लैंडस्केप को एक स्मूथ फनल के रूप में आकार देता है।
- ज्यामितीय रैंकिंग ( $\mathcal{L}_{rank}$ ): एक पेयरवाइज रैंकिंग लॉस जो क्रिटिक को ज्यामितीय निकटता के अनुरूप सापेक्ष वैल्यू अंतर बनाए रखने के लिए मजबूर करता है। यह सुनिश्चित करता है कि विशेषज्ञ ट्राजेक्टरी के करीब वाले उम्मीदवार उच्च वैल्यू प्राप्त करें, भले ही वे दोनों OOD हों।

3. मुख्य योगदान

अडैप्टेशन का पुनर्गठन: यह पेपर फ्यू-शॉट VLA अडैप्टेशन के लिए पैराडाइम को लाइकलीहुड-आधारित जेनरेशन से आउटकम-अवेयर, वैल्यू-गाइडेड सिलेक्शन की ओर स्थानांतरित करता है, जो स्पष्ट रूप से ज्यामितीय सटीकता की बाधा को संबोधित करता है।
Q-चंक-फॉर्मर: एक नवीन क्रिटिक आर्किटेक्चर जो प्रोप्रियोसेप्टिव स्टेट्स को सीधे एक्शन टोकन रिप्रेजेंटेशन में एकीकृत करके उच्च-आयामी मल्टीमॉडल ऑब्जर्वेशन को सटीक चंक-लेवल वैल्यू एस्टीमेट्स में प्रभावी ढंग से ग्राउंड करता है।
एक्सप्लिसिट ज्योमेट्रिक रेगुलराइजेशन (EGR): एक रेगुलराइजेशन तकनीक जो प्रपोजल-सपोर्टेड उम्मीदवारों के बीच वैल्यू गैप्स के संकुचन को रोकती है। ज्यामितीय प्रायर के साथ वैल्यू लैंडस्केप को आकार देकर, यह प्रभावी बेस्ट-ऑफ-N सिलेक्शन को सक्षम बनाता है।
सैद्धांतिक गारंटी: लेखक प्रमाण प्रदान करते हैं जो चंक-लेवल वैल्यू ऑपरेटर की अभिसरण (convergence) और EGR एंकरिंग एनवेलप के तहत बेस्ट-ऑफ-N सिलेक्शन पर बाउंड्स को प्रदर्शित करते हैं।

4. प्रयोगात्मक परिणाम

विधि का मूल्यांकन LIBERO बेंचमार्क (जिसमें स्पेशियल, ऑब्जेक्ट, गोल और लॉन्ग सूट्स शामिल हैं) पर 5-शॉट अडैप्टेशन सेटिंग के तहत किया गया था।

प्रदर्शन: VGAS ने औसतन 49.0% की सफलता दर हासिल की, जो काफी बेहतर है:
- SFT बेसलाइन (BC-Only): 39.8%
- कंजर्वेटिव ORL बेसलाइन्स (QC-M+CQL, QC-T+CQL): ~42%
- समान सेटिंग में अन्य VLA बेसलाइन्स (जैसे, $\pi_0$ -FAST, डिफ्यूजन पॉलिसी)।
एब्लेशन स्टडीज:
- EGR को हटाने से प्रदर्शन में भारी गिरावट (36.4% तक) आई, जिससे पुष्टि हुई कि ज्यामितीय शेपिंग के बिना, क्रिटिक नियर-मिस उम्मीदवारों और विफलताओं के बीच अंतर करने में विफल रहता है।
- ट्रांसफॉर्मर बैकबोन (Q-Chunk-Former) को हटाने से प्रदर्शन कम हो गया, जो मल्टीमॉडल डिपेंडेंसीज के लिए अटेंशन मैकेनिज्म की आवश्यकता को प्रमाणित करता है।
- टेम्पोरल कंसिस्टेंसी टर्म (TD) को हटाने से प्रदर्शन कम हो गया, जो एक स्थिर टेम्पोरल एंकर की आवश्यकता को दर्शाता है।
विजुअलाइजेशन: वैल्यू लैंडस्केप के विश्लेषण ने दिखाया कि जबकि मानक CQL वैल्यूज को समान रूप से दबा देता है, VGAS एक ग्रेडेड, डिस्क्रिमिनेटिव लैंडस्केप बनाता है जो विशेषज्ञ ट्राजेक्टरी से ज्यामितीय दूरी के साथ सुचारू रूप से घटता है, जिससे प्रभावी सिलेक्शन संभव होता है।

5. महत्व और दावे

पेपर दावा करता है कि VGAS एम्बॉडीड एआई में एक महत्वपूर्ण सीमा को संबोधित करता है: डेटा की कमी के तहत वर्तमान VLA मॉडल्स की ज्यामितीय रूप से सामान्यीकरण करने में अक्षमता। सिमेंटिक जेनरेशन को ज्यामितीय सिलेक्शन से अलग करके, VGAS प्रदर्शित करता है कि वैल्यू-गाइडेड सिलेक्शन ऑनलाइन एक्सप्लोरेशन या विशाल डेटासेट की आवश्यकता के बिना मजबूती और सफलता दर में सुधार कर सकता है।

लेखक नोट करते हैं कि जबकि VGAS प्रदर्शन में सुधार करता है, यह बेस्ट-ऑफ-N सैंपलिंग के कारण इन्फरेंस-टाइम कंप्यूटेशनल लेटेंसी पेश करता है, जो हाई-फ्रीक्वेंसी कंट्रोल परिदृश्यों में इसकी प्रयोज्यता को सीमित कर सकता है। इसके अलावा, इस विधि को वास्तविक हार्डवेयर तक विस्तारित करना भविष्य के कार्य की दिशा है। मुख्य योगदान फ्यू-शॉट रिजीम में ज्यामितीय रूप से ग्राउंडेड वैल्यू लर्निंग के माध्यम से VLA अडैप्टेशन को स्थिर करने के लिए एक सैद्धांतिक और व्यावहारिक ढांचा प्रदान करना है।