💻 computer science

When Vision Overrides Language: Evaluating and Mitigating Counterfactual Failures in VLAs

यह शोध पत्र LIBERO-CF प्रस्तुत करता है, जो विज़न-लैंग्वेज-एक्शन मॉडल्स के लिए पहला काउंटरफैक्चुअल बेंचमार्क है, और काउंटरफैक्चुअल एक्शन गाइडेंस (CAG) का प्रस्ताव करता है, जो एक ट्रेनिंग-फ्री ड्यूल-ब्रांच इन्फरेंस विधि है जो विज़ुअल शॉर्टकट्स के विरुद्ध लैंग्वेज कंडीशनिंग को स्पष्ट रूप से रेगुलराइज़ करके लैंग्वेज-फॉलोइंग विफलताओं को महत्वपूर्ण रूप से कम करती है।

मूल लेखक: Yu Fang, Yuchun Feng, Dong Jing, Jiaqi Liu, Yue Yang, Zhenyu Wei, Daniel Szafir, Mingyu Ding

प्रकाशित 2026-07-16

📖 8 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yu Fang, Yuchun Feng, Dong Jing, Jiaqi Liu, Yue Yang, Zhenyu Wei, Daniel Szafir, Mingyu Ding

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 अपना मददगार रूममेट बनने के लिए सिखा रहे हैं। आप चाहते हैं कि वह आपकी आवाज़ समझे, दुनिया को देख सके और फिर आपके कहने पर वास्तव में काम कर सके। यह "विज़न-लैंग्वेज-एक्शन" (VLA) मॉडल का सपना है। इन मॉडल्स को एक सुपर-स्मार्ट दिमाग के रूप में सोचें जो आपके टेक्स्ट मैसेज पढ़ सकता है, आपकी बिखरी हुई रसोई की फोटो देख सकता है, और यह तय कर सकता है कि सफाई करने के लिए अपने रोबोटिक हाथों को कैसे हिलाना है। लंबे समय से, वैज्ञानिक इन तीन कौशलों—देखने, पढ़ने और हिलने-डुलने—को एक साथ जोड़ने की कोशिश कर रहे हैं ताकि रोबट केवल एक विशिष्ट काम करने वाली मशीन न होकर सामान्य-उद्देश्य वाले सहायक बन सकें।

लेकिन यहाँ एक पेंच है: सिर्फ इसलिए कि एक रोबोट देख और पढ़ सकता है, इसका मतलब यह नहीं है कि वह सुनता भी है। कभी-कभी, एक रोबोट किसी विशेष दृश्य का इतना आदी हो जाता है कि वह आपके शब्दों को पूरी तरह से अनदेखा कर देता है। यदि आप उसे "लाल कप उठाओ" कहते हैं, लेकिन वह रोज़ाना आपको नीला कप उठाते हुए देखने का आदी है, तो वह फिर से नीला वाला ही उठा लेगा, इस विश्वास के साथ कि आपका मतलब यही था। ऐसा इसलिए होता है क्योंकि रोबोट ने एक "शॉर्टकट" सीख लिया है: वह जो देखता है उस पर बहुत अधिक निर्भर करता है और जो आप कहते हैं उस पर बहुत कम। यह पेपर बताता है कि ऐसा क्यों होता है, यह साबित करता है कि यह एक बड़ी समस्या है, और एक चतुर नया तरीका पेश करता है जिससे रोबोट वास्तव में आपकी बात फिर से सुनने लगे।

समस्या: जब रोबोट आपके शब्दों के प्रति "अंधे" हो जाते हैं

इस पेपर के लेखकों ने पाया कि आज के कई सबसे उन्नत रोबोट दिमागों में एक ऐसी समस्या होती है जिसे वे "काउंटरफैक्चुअल फेलियर्स" (counterfactual failures) कहते हैं। यह एक फैंसी तरीका है यह कहने का कि रोबोट उन निर्देशों का पालन करने में विफल रहता है जो उसकी आदतों के विरुद्ध जाते हैं।

कल्पना कीजिए कि आप एक ऐसी रसोई में जाते हैं जहाँ आप हमेशा एक रोबोट को सरसों की बोतल उठाते हुए देखते हैं। एक दिन, आप अंदर आते हैं और कहते हैं, "कृपया टेप उठाओ।" भले ही आपने स्पष्ट रूप से "टेप" कहा हो, रोबोट, सरसों की बोतल को वहीं देखते हुए, सरसों ही उठा लेता है। ऐसा लगता है जैसे रोबोट के पास एक मानसिक ऑटोपायलट है जो कहता है, "ओह, मैं एक किचन का दृश्य देख रहा हूँ, तो मुझे सरसों उठानी चाहिए," और आपके वास्तविक वॉयस कमांड को पूरी तरह से अनदेखा कर देता है।

शोधकर्ताओं ने पाया कि यह केवल एक दुर्लभ गड़बड़ी नहीं है; यह एक बड़ी खामी है। उन्होंने दिखाया कि जब रोबोट को ऐसे निर्देश दिए जाते हैं जो विजुअली संभव हैं लेकिन जो उन्होंने अभ्यास किया है उससे अलग हैं, तो वे अक्सर अपने "अच्छी तरह से सीखे गए" व्यवहारों पर वापस लौट आते हैं। वे एक ऐसे छात्र की तरह व्यवहार करते हैं जिसने एक विशिष्ट परीक्षा के उत्तर रट लिए हैं लेकिन जैसे ही शिक्षक थोड़ा सा सवाल बदल देता है, वह फेल हो जाता है। रोबोट जिद्दी नहीं हो रहा है; बस यह कि उसका ट्रेनिंग डेटा पक्षपाती था। उसने "सरसों" वाले कार्य को हज़ार बार देखा और "टेप" वाले कार्य को शून्य बार, इसलिए वह मान लेता है कि सरसों ही हमेशा सही उत्तर है।

नया टेस्ट: LIBERO-CF

यह साबित करने के लिए कि यह समस्या वास्तविक और व्यापक है, टीम ने LIBERO-CF नामक एक नया परीक्षण मैदान बनाया। इसे रोबोट्स के लिए एक "ट्रिक क्वेश्चन" परीक्षा की तरह समझें।

इस टेस्ट में, उन्होंने परिचित वस्तुओं के साथ एक दृश्य तैयार किया लेकिन रोबोट्स को ऐसे निर्देश दिए जो उनके प्रशिक्षण से बिल्कुल अलग थे। उदाहरण के लिए, वे एक सीन सेट कर सकते हैं जिसमें एक टेप डिस्पेंसर और एक सरसों की बोतल है। रोबोट को सरसों उठाने के लिए प्रशिक्षित किया गया था। लेकिन टेस्ट में, शोधकर्ताओं ने उससे टेप या यहाँ तक कि एक ऐसी वस्तु उठाने के लिए कहा जो पहले कभी वहाँ नहीं थी।

परिणाम आँखें खोल देने वाले थे। जब उन्होंने OpenVLA, $\pi_0$ , और $\pi_{0.5}$ जैसे शीर्ष-स्तरीय रोबोट्स का परीक्षण किया, तो रोबोट नए निर्देशों का पालन करने में बुरी तरह विफल रहे।

$\pi_{0.5}$ मॉडल पर, जब एक नई वस्तु उठाने के लिए कहा गया, तो इसने निर्देशों का सही ढंग से पालन केवल 30.8% बार किया।
इससे भी बदतर, इसने निर्देश को अनदेखा किया और "पुराने" ट्रेनिंग ऑब्जेक्ट (पक्षपाती विकल्प) को लगभग 65.6% बार उठाया।
कुछ मामलों में, जैसे OpenVLA के साथ, नए निर्देशों का पालन करने की सफलता दर बेहद निराशाजनक 0.4% थी, जबकि यह पुराने, प्रशिक्षित कार्य में 78.6% बार सफल रहा।

इससे यह साबित हुआ कि रोबोट वास्तव में "सुन" नहीं रहे थे। वे केवल विजुअल संकेतों पर प्रतिक्रिया दे रहे थे। यहाँ तक कि जब शोधकर्ताओं ने दृश्य से "ट्रेनिंग ऑब्जेक्ट" (सरसों) को हटा दिया, तो नए निर्देशों पर रोबल्स का प्रदर्शन सुधर गया, जिससे पुष्टि हुई कि परिचित वस्तु की उपस्थिति एक विजुअल चुंबक की तरह काम कर रही थी, जो रोबोट का ध्यान आपके शब्दों से हटा रही थी।

समाधान: CAG (द "सेकंड ओपिनियन" ट्रिक)

तो, एक ऐसे रोबोट को कैसे ठीक करें जो आपकी बात अनसुनी कर देता है? लेखकों ने Counterfactual Action Guidance (CAG) नामक एक विधि प्रस्तावित की है।

कल्पना कीजिए कि आप तय करने की कोशिश कर रहे हैं कि आपको क्या खाना चाहिए। आपके पास दो दोस्त सलाह दे रहे हैं।

दोस्त A (VLA): इस दोस्त ने आपका टेक्स्ट मैसेज ("मुझे पिज्जा चाहिए") पढ़ा है और मेनू देखा है। वे पिज्जा का सुझाव देते हैं।
दोस्त B (VA): इस दोस्त ने केवल मेनू देखा है, आपके टेक्स्ट मैसेज को अनदेखा कर दिया है। वे देखते हैं कि पिज्जा सबसे लोकप्रिय आइटम है और पिज्जा का सुझाव देते हैं।

यदि दोनों दोस्त पिज्जा का सुझाव देते हैं, तो आप आश्वस्त होते हैं। लेकिन क्या होगा यदि आपने कहा "मुझे सलाद चाहिए," और दोस्त A पिज्जा का सुझाव देता है क्योंकि वह भ्रमित है, जबकि दोस्त B पिज्जा का सुझाव देता है क्योंकि वह डिफॉल्ट है? आपको अपने विशिष्ट अनुरोध ("सलाद") को अधिक महत्व देने के लिए एक तरीके की आवश्यकता है।

CAG रोबोट के दिमाग को एक साथ दो मोड में चलाकर काम करता है:

मोड 1: रोबोट आपके निर्देश का पालन करने की कोशिश करता है (विज़न + लैंग्वेज)।
मोड 2: रोबोट आपके निर्देश को अनदेखा करता है और केवल दृश्य को देखता है (केवल विज़न)।

जादू तब होता है जब सिस्टम इन दोनों की तुलना करता है। यदि रोबोट सरसों उठाना चाहता है (केवल विज़न) लेकिन आपने टेप मांगा है (विज़न + लैंग्वेज), तो CAG उन दोनों इच्छाओं के बीच के अंतर की गणना करता है। फिर यह "टेप" वाले हिस्से को बढ़ा देता है, प्रभावी रूप से रोबोट को यह बताते हुए कि, "हे, तुम सरसों की ओर झुक रहे थे, लेकिन तुम्हारे इंसान ने टेप मांगा है। चलो निर्णय को टेप की ओर धकेलते हैं।"

इसके लिए रोबोट को फिर से प्रशिक्षित करने या उसके दिमाग को बदलने की आवश्यकता नहीं है। यह एक "प्लग-एंड-प्ले" ट्रिक है जो रोबोट के सोचने के दौरान ही होती है।

क्या यह काम करता है?

टीम ने कंप्यूटर सिमुलेशन और वास्तविक दुनिया में, एक असली रोबोट आर्म का उपयोग करके इसका परीक्षण किया। परिणाम प्रभावशाली थे।

सिमुलेशन में: जब उन्होंने $\pi_{0.5}$ मॉडल पर CAG लागू किया, तो नए निर्देशों का पालन करने की रोबोट की क्षमता (एक विशेष "विज़न-एक्शन" हेल्पर का उपयोग करते हुए) 30.8% से बढ़कर 46.3% हो गई। कार्य पूरा करने की सफलता दर भी 13.2% से बढ़कर 21.7% हो गई।
वास्तविक दुनिया में: उन्होंने कोक, स्प्राइट और फंटा कैन, या टेप और सरसों जैसे वास्तविक दृश्यों को सेट किया। बिना CAG के, रोबोट अक्सर गलत वस्तु उठा लेता था। CAG के साथ, विभिन्न दृश्यों में सही वस्तु पकड़ने (ग्राउंडिंग) की रोबोट की क्षमता औसतन 100% तक पहुँच गई। कार्य को वास्तव में पूरा करने की सफलता दर औसतन 17.2% सुधरी।

शोधकर्ताओं ने पाया कि यह ट्रिक तब सबसे अच्छा काम करती है जब वे "नो-इंस्ट्रक्शन" व्यू को दर्शाने के लिए एक अलग "विज़न-एक्शन" मॉडल का उपयोग करते हैं, बजाय इसके कि मुख्य रोबोट मॉडल का ही पुन: उपयोग किया जाए। यह अलगाव "सेकंड ओपिनियन" को अधिक स्पष्ट और प्रभावी बनाता है।

निष्कर्ष

यह पेपर दिखाता है कि आज के सबसे स्मार्ट रोबोट भी अपनी आदतों से आसानी से ठगे जा सकते हैं। वे अक्सर जो वे देखते हैं उसे जो वे सुनते हैं, उससे अधिक प्राथमिकता देते हैं। लेखकों ने न केवल समस्या को उजागर किया; उन्होंने इसे मापने के लिए एक नया टेस्ट (LIBERO-CF) बनाया और रोबोट को बेहतर ढंग से सुनने के लिए एक सरल, प्रभावी समाधान (CAG) भी दिया।

मुख्य निष्कर्ष यह है कि रोबोट को एक "काउंटरफैक्चुअल" दूसरा विचार देकर—यह पूछकर कि वह आपके शब्दों के बिना क्या करेगा, और फिर इसकी तुलना करने के बाद कि वह आपके शब्दों के साथ क्या करता है—हम उसे आपके निर्देशों पर ध्यान देने के लिए मजबूर कर सकते हैं। यह रोबोट के सोचने के तरीके में एक छोटा सा बदलाव है, लेकिन यह इस बात में बहुत बड़ा अंतर पैदा करता है कि वह वास्तव में क्या करता है। जैसा कि लेखक सुझाव देते हैं, यह दृष्टिकोण भविष्य के रोबोट्स को अधिक विश्वसनीय और सुरक्षित बनाने में मदद कर सकता है, यह सुनिश्चित करते हुए कि वे केवल अंदाज़ा न लगाएं, बल्कि वास्तव में आपका नेतृत्व करें।

तकनीकी सारांश: जब दृष्टि भाषा पर हावी हो जाती है: VLAs में काउंटरफैक्चुअल विफलताओं का मूल्यांकन और शमन

1. समस्या की परिभाषा: काउंटरफैक्चुअल विफलताएं और विजन शॉर्टकट्स (Vision Shortcuts)

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल प्राकृतिक भाषा निर्देशों को रोबोट नियंत्रण नीतियों में ग्राउंड (ground) करने का लक्ष्य रखते हैं। हालाँकि, यह शोध पत्र एक प्रचलित और कम खोजे गए विफलता मोड की पहचान करता है जिसे काउंटरफैक्चुअल विफलताएं (counterfactual failures) कहा जाता है। इन परिदृश्यों में, VLAs उन भाषा निर्देशों का निष्ठापूर्वक पालन करने में विफल रहते हैं जब वे प्रशिक्षण के दौरान सीखे गए मजबूत विज़ुअल प्रायर्स (visual priors) के साथ संघर्ष करते हैं।

उपयोगकर्ता के इरादे का पालन करने के बजाय, मॉडल सीखे गए, दृश्य-विशिष्ट व्यवहारों को निष्पादित करने या प्रशिक्षण डेटा में बार-बार देखे जाने वाले ऑब्जेक्ट्स को चुनने की ओर डिफ़ॉल्ट रूप से चला जाता है, चाहे भाषाई इनपुट कुछ भी हो। लेखक इसका कारण रोबोटिक डेटासेट और आर्किटेक्चर में मोडैलिटी असंतुलन (modality imbalance) को मानते हैं:

डेटासेट बायस (Dataset Bias): प्रशिक्षण डेटा अक्सर एक विशिष्ट दृश्य के साथ एक ही स्थिर निर्देश को जोड़ता है, जो मॉडल को भाषा को ग्राउंड करने के बजाय "विजन शॉर्टकट्स" (एक दृश्य लेआउट को एक विशिष्ट क्रिया के साथ जोड़ने) पर निर्भर करने के लिए प्रोत्साहित करता है।
आर्किटेक्चरल असंतुलन (Architectural Imbalance): विज़ुअल टोकन की संख्या भाषा टोकन की तुलना में बहुत अधिक होती है, जिससे एक्शन प्रेडिक्शन के दौरान भाषा कंडीशनिंग सिग्नल हाशिए पर चला जाता है।

गणितीय रूप से, आदर्श नीति $P(a|o, l)$ को एक विजन प्रायर और एक लैंग्वेज लाइकलीहुड (language likelihood) में विभाजित होना चाहिए। हालाँकि, व्यवहार में, पोस्टीरियर विजन-ओनली प्रायर की ओर ढह जाता है: $P(a|o, l) \approx P(a|o)$ ।

2. कार्यप्रणाली: LIBERO-CF बेंचमार्क और CAG

A. LIBERO-CF बेंचमार्क

इस घटना का व्यवस्थित मूल्यांकन करने के लिए, लेखक LIBERO-CF पेश करते हैं, जो VLAs के लिए पहला काउंटरफैक्चुअल बेंचमार्क है। मौजूदा LIBERO मैनिपुलेशन सुइट पर आधारित, यह मानक दृश्य लेआउट के लिए वैकल्पिक, व्यवहार्य भाषा निर्देश असाइन करता है जो मॉडल के फाइन-ट्यूनिंग के दौरान कम देखे गए या अनदेखे रहे थे। इस बेंचमार्क में चार सूट्स शामिल हैं:

CF-Spatial: उन ऑब्जेक्ट्स को लक्षित करना जो मूल रूप से केवल बैकग्राउंड के रूप में कार्य करते थे।
CF-Object: प्रशिक्षण कार्य में मौजूद ऑब्जेक्ट्स के बजाय अलग ऑब्जेक्ट्स को लक्षित करना।
CF-Long: नए लक्ष्यों के साथ मल्टी-स्टेप, लॉन्ग-होरिज़न निर्देश।
CF-OOD: पूरी तरह से आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) ऑब्जेक्ट्स से जुड़े कार्य।

बेंचमार्क ग्राउंडिंग रेट (Grounding Rate) (निर्देशित ऑब्जेक्ट के साथ संपर्क) और सफलता दर (Success Rate) (कार्य पूर्णता) का मूल्यांकन करता है, जो "निष्ठापूर्ण" (Faithful) निष्पादन (निर्देश का पालन करना) और "बायस्ड" (Biased) निष्पादन (प्रशिक्षण कार्य पर डिफ़ॉल्ट होना) के बीच अंतर करता है।

B. काउंटरफैक्चुअल एक्शन गाइडेंस (CAG)

रिट्रेनिंग या मॉडल आर्किटेक्चर को संशोधित किए बिना इन विफलताओं को कम करने के लिए, लेखक काउंटरफैक्चुअल एक्शन गाइडेंस (CAG) का प्रस्ताव करते हैं। जनरेटिव मॉडल्स में क्लासिफायर-फ्री गाइडेंस (CFG) से प्रेरित, CAG एक डुअल-ब्रांच इन्फरेंस स्कीम है जो स्पष्ट रूप से भाषा कंडीशनिंग को रेगुलराइज़ करती है।

CAG पॉलिसी को इस प्रकार परिभाषित किया गया है:
$\pi_{CAG}(a | o, l) = \pi_{uncond}(a | o, \emptyset) + \omega \cdot (\pi_{cond}(a | o, l) - \pi_{uncond}(a | o, \emptyset))$

जहाँ:

$\pi_{cond}$ एक मानक लैंग्वेज-कंडीशन्ड VLA है।
$\pi_{uncond}$ एक अनकंडीशन्ड विजन-एक्शन (VA) पॉलिसी है जो विजन-ओनली प्रायर का प्रतिनिधित्व करती है।
$\omega$ एक गाइडेंस स्केल है जो भाषा कंडीशनिंग की शक्ति को नियंत्रित करता है।

लेखक अनकंडीशन्ड ब्रांच को लागू करने के लिए दो रणनीतियाँ प्रस्तावित करते हैं:

ट्रेनिंग-फ्री (TF): अनकंडीशन्ड पॉलिसी को अनुमानित करने के लिए इन्फरेंस के समय एक मानक VLA पर भाषा इनपुट को हटा देना।
विज़न-एक्शन प्रायर (VA): एक स्वच्छ, डीकप्ल्ड विजन प्रायर प्रदान करने के लिए एक अलग, समर्पित VA मॉडल को प्रशिक्षित करना (बिना भाषा इनपुट के)।

यह दृष्टिकोण प्रभावी रूप से विजन प्रायर के सापेक्ष भाषा लाइकलीहुड के प्रभाव को बढ़ाने के लिए एक्शन पोस्टीरियर को पुन: भारित (reweight) करता है, जिससे विजन शॉर्टकट्स कम होते हैं।

3. मुख्य परिणाम

सिमुलेशन प्रयोग (LIBERO-CF)

OpenVLA-OFT, $\pi_0$ , और $\pi_0.5$ पर व्यापक प्रयोग बेसलाइन मॉडल्स में गंभीर काउंटरफैक्चुअल विफलताओं को प्रकट करते हैं। उदाहरण के लिए, $\pi_0.5$ मॉडल पर, बेसलाइन ने काउंटरफैक्चुअल कार्यों पर केवल 30.8% ग्राउंडिंग रेट और 13.2% सफलता दर हासिल की, जबकि बायस्ड (प्रशिक्षण) कार्यों पर उच्च प्रदर्शन (>60%) बनाए रखा।

CAG लागू करने से निरंतर सुधार हुआ:

ग्राउंडिंग: $\pi_0.5$ मॉडल की औसत ग्राउंडिंग दर 30.8% से बढ़कर 40.5% (Training-Free) और 46.3% (VA) हो गई।
सफलता: सफलता दर 13.2% से बढ़कर 16.8% (TF) और 21.7% (VA) हो गई।
बायस रिडक्शन: VA रणनीति ने $\pi_0.5$ के लिए बायस्ड निष्पादन (प्रशिक्षण कार्यों पर डिफ़ॉल्ट होना) को सफलता दर में 24.7% कम किया।
OOD जनरलाइजेशन: CAG ने आउट-ऑफ-डिस्ट्रीब्यूशन ऑब्जेक्ट्स पर प्रदर्शन में काफी सुधार किया, जिसमें $\pi_0.5$ + VA ने CF-OOD कार्यों पर 36.4% ग्राउंडिंग प्राप्त की।

वास्तविक दुनिया के प्रयोग

Franka Research 3 रोबोट का उपयोग करके वास्तविक दुनिया के मूल्यांकन ने सिमुलेशन निष्कर्षों की पुष्टि की। ऑब्जेक्ट रिकग्निशन (जैसे, टेप बनाम मस्टर्ड के बीच अंतर करना), स्पेशियल रीजनिंग (बाएं बनाम दाएं), और गोल टारगेटिंग से जुड़े कार्यों में, बेसलाइन $\pi_0.5$ अक्सर काउंटरफैक्चुअल निर्देशों का पालन करने में विफल रहा।

CAG ने काउंटरफैक्चुअल विफलताओं को 9.4% कम किया और औसत कार्य सफलता में 17.2% का सुधार किया।
विशेष रूप से, CAG ने मूल इन-डोमेन प्रशिक्षण कार्यों के प्रदर्शन को कम किए बिना अंडर-ऑब्जर्व्ड कार्यों पर प्रदर्शन में सुधार किया।

4. योगदान और महत्व

यह शोध पत्र तीन प्राथमिक योगदान देता है:

LIBERO-CF बेंचमार्क: एक मानकीकृत मूल्यांकन सुइट जो अत्याधुनिक VLAs में काउंटरफैक्चुअल विफलताओं की व्यापकता को उजागर करता है, यह दर्शाता है कि वर्तमान मॉडल अक्सर विजन शॉर्टकट्स के पक्ष में निर्देशों को अनदेखा करते हैं।
काउंटरफैक्चुअल एक्शन गाइडेंस (CAG): एक यूनिवर्सल, प्लग-एंड-प्ले इन्फरेंस-टाइम रणनीति जो भाषा कंडीशनिंग को बढ़ाती है। इसके लिए किसी आर्किटेक्चरल बदलाव, अतिरिक्त प्रदर्शन (demonstrations), या प्री-ट्रेंड वेट्स के संशोधन की आवश्यकता नहीं है।
अनुभवजन्य विश्लेषण (Empirical Analysis): एक व्यापक अध्ययन जो दिखाता है कि काउंटरफैक्चुअल विफलताएं विविध VLAs में मौजूद हैं और इन बायस को ठीक करने के लिए विजन-ओनली प्रायर को स्पष्ट रूप से मॉडल करना (VA ब्रांच के माध्यम से) सरल इनपुट ड्रॉपिंग की तुलना में अधिक प्रभावी है।

लेखकों का दावा है कि उनका कार्य एक सामान्य-उद्देश्य वाले रोबोटिक एजेंट में एक महत्वपूर्ण विश्वसनीयता अंतराल को उजागर करता है: परिचित वातावरण में उपयोगकर्ता के इरादे का निष्ठापूर्वक पालन करने में असमर्थता। इसे कम करने के लिए एक विधि प्रदान करके, यह शोध पत्र वास्तविक दुनिया के परिदृश्यों में अधिक मजबूत और भरोसेमंद VLA परिनियोजन की दिशा में एक मार्ग प्रदान करता है।