🤖 AI

Understanding Asynchronous Inference Methods for Vision-Language-Action Models

यह शोध पत्र नियंत्रित परिस्थितियों में विजन-लैंग्वेज-एक्शन मॉडल्स के लिए चार एसिंक्रोनस इन्फरेंस विधियों का एक व्यवस्थित तुलना प्रस्तुत करता है, जो यह प्रकट करता है कि लाइटवेट रेसिडुअल करेक्शन (A2C2), किनेटिक्स और लिबेरो बेंचमार्क पर अन्य विधियों से बेहतर प्रदर्शन करता है, जबकि ट्रेनिंग-टाइम डिले सिमुलेशन (TT-RTC) सबसे सुदृढ़ ज़ीरो-ओवरहेड समाधान प्रदान करता है।

मूल लेखक: Ayoub Agouzoul

प्रकाशित 2026-05-12

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Ayoub Agouzoul

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

यहाँ सरल भाषा और रचनात्मक उपमाओं का उपयोग करके शोध पत्र (paper) का स्पष्टीकरण दिया गया है।

बड़ी समस्या: "धीमा शेफ" और "भूखा रोबोट"

कल्पना कीजिए कि एक रोबोट शेफ एक जटिल भोजन बनाने की कोशिश कर रहा है। ऐसा करने के लिए, शेफ (AI मॉडल) रसोई को देखता है, रेसिपी पढ़ता है, और फिर एक साथ अगले 10 चरणों की योजना बनाता है। इसे "एक्शन चंकिंग" (action chunking) कहा जाता है। "प्याज काटें" तय करने और फिर "गाजर काटें" तय करने का इंतज़ार करने के बजाय, शेफ पूरी प्रक्रिया की योजना तुरंत बना लेता है। यह कुशल है।

समस्या: शेफ बहुत विचारशील है लेकिन बहुत धीमा भी है। जब तक शेफ अगले 10 चरणों के लिए योजना लिखना समाप्त करता है, तब तक रसोई बदल चुकी होती है। रोबोट हिल चुका होता है, सामग्रियाँ खिसक चुकी होती हैं, या आग तेज़ हो जाती है। शेफ ने जो योजना अभी लिखी है, वह रसोई की एक पुरानी तस्वीर पर आधारित है। यदि रोबट इस "बासी" योजना का पालन करता है, तो वह प्याज के बजाय हवा में काट सकता है।

यदि रोबोट हर चरण के लिए शेफ के योजना पूरा करने का इंतज़ार करता है, तो वह उपयोगी होने के लिए बहुत धीमा हो जाता है। यदि वह पुरानी योजना के साथ तेज़ी से आगे बढ़ता है, तो वह गलतियाँ करता है।

चार समाधान

शोध पत्र इस "धीमे शेफ" की समस्या को ठीक करने के चार अलग-अलग तरीकों का परीक्षण करता है। शोधकर्ताओं ने एक एकीकृत परीक्षण मैदान (एक विशाल सिमुलेशन जिम की तरह) बनाया ताकि यह देखा जा सके कि जब देरी लंबी होती है, तो कौन सा तरीका सबसे अच्छा काम करता है।

1. IT-RTC: "रियल-टाइम एडिटर" (वास्तविक समय का संपादक)

यह कैसे काम करता है: कल्पना कीजिए कि शेफ 10-चरणों की योजना लिखता है, लेकिन उसे एहसास होता है कि योजना लिखने के दौरान ही 3 चरण बीत चुके हैं। योजना को फेंकने के बजाय, शेफ एक लाल पेन उठाता है और पहले 3 चरणों को मिटा देता है, फिर शेष 7 चरणों को वर्तमान स्थिति के अनुसार जल्दी से फिर से लिखता है।
चुनौती: यह संपादन प्रक्रिया भारी है। शेफ को पुराने हिस्सों को "अनडू" (undo) करने और नए हिस्सों को "रीडू" (redo) करने के लिए अतिरिक्त गणित करना पड़ता है। यह छोटी देरी के लिए अच्छा काम करता है, लेकिन यदि देरी लंबी हो जाए तो यह बहुत धीमा और बोझिल हो जाता है।

2. TT-RTC: "अभ्यास से पूर्णता" वाला शेफ

यह कैसे काम करता है: योजना लिखने के बाद उसे ठीक करने के बजाय, यह तरीका शेफ को सीखने के दौरान देरी के साथ अभ्यास करने के लिए प्रशिक्षित करता है। प्रशिक्षण के दौरान, शेफ को बताया जाता है, "हे, मान लो कि तुम 3 चरण पीछे हो। यह मानते हुए योजना लिखो कि पहले 3 चरण पहले ही पूरे हो चुके हैं, और मुझे बस बाकी हिस्सा दे दो।"
लाभ: क्योंकि शेफ ने देरी की उम्मीद करना सीख लिया है, उन्हें खाना बनाने के दौरान किसी अतिरिक्त संपादन की आवश्यकता नहीं होती है। वे बस योजना सौंप देते हैं, और वह पहले से ही सही होती है। यह खाना पकाने की प्रक्रिया में शून्य अतिरिक्त समय जोड़ता है।

3. VLASH: "टाइम ट्रैवलर" (समय यात्री)

यह कैसे काम करता है: यह तरीका समय को धोखा देने की कोशिश करता है। जब शेफ रसोई को देखता है, तो वह केवल वर्तमान स्थिति को नहीं देखता; वह ज्ञात चालों (moves) का उपयोग करके अपने दिमाग में फास्ट-फॉरवर्ड करता है कि जब योजना तैयार होगी तब रोबोट कहाँ होगा। वह उस भविष्य की स्थिति के आधार पर योजना लिखता है।
चुनौती: वास्तविक दुनिया में, आप बिना किसी भविष्य बताने वाले यंत्र (crystal ball) के भविष्य की सटीक भविष्यवाणी नहीं कर सकते। शोध पत्र के परीक्षणों में, उन्होंने एक बेंचमार्क के लिए "क्रिस्टल बॉल" (पूर्ण डेटा) का उपयोग किया, जिसने इस तरीके को एक बड़ा लाभ दिया जो वास्तविक जीवन में मौजूद नहीं हो सकता है। साथ भी, यदि देरी बहुत लंबी है, तो "टाइम ट्रैवल" का अनुमान गलत हो जाता है और योजना विफल हो जाती है।

4. A2C2: "स्पॉट-चेक असिस्टेंट" (जाँच करने वाला सहायक)

यह कैसे काम करता है: यह तरीका मूल शेफ की योजना को बिल्कुल वैसा ही रखता है, लेकिन एक छोटा, सुपर-फास्ट सहायक जोड़ता है। शेफ योजना लिखता है, लेकिन सहायक रोबोट के पास खड़ा होता है। रोबोट द्वारा लिया गया प्रत्येक चरण, सहायक वर्तमान रसोई को देखता है, शेफ की पुरानी योजना की जाँच करता है, और यदि आवश्यक हो तो एक छोटा सा सुधार करता है।
लाभ: सहायक बहुत छोटा और तेज़ है। भले ही शेफ की योजना पुरानी हो, सहायक रोब de को हर कदम पर सही दिशा में धकेलता रहता है। यह तरीका सबसे विश्वसनीय था जब देरी लंबी थी।

उन्होंने क्या पाया?

शोधकर्ताओं ने दो अलग-अलग "रसोईयों" (सिमुलेशन) में इन तरीकों का परीक्षण किया: एक सरल 2D भौतिकी गेम (Kinetix) और एक जटिल 3D रोबोट आर्म कार्य (LIBERO)।

लंबी देरी के लिए विजेता (A2C2): जब देरी बहुत लंबी हो गई (जैसे योजना के लिए 20 चरणों का इंतज़ार), तो स्पॉट-चेक असिस्टेंट (A2C2) स्पष्ट विजेता था। इसने रोबोट को सफल बनाए रखा, भले ही शेफ बहुत धीमा था। यह एकमात्र तरीका था जो बड़ी देरी होने पर भी क्रैश नहीं हुआ।
गति और सरलता के लिए विजेता (TT-RTC): यदि आप मॉडल को फिर से प्रशिक्षित (retrain) कर सकते हैं, तो TT-RTC सबसे अच्छा विकल्प है। यह रोबोट को बिल्कुल भी धीमा नहीं करता है और बहुत स्थिर है। यह शेफ को शुरुआत से ही परफेक्ट बनाने जैसा है ताकि बाद में किसी सुधार की आवश्यकता न पड़े।
"पुराना तरीका" (IT-RTC): यह बहुत कम देरी के लिए ठीक था, लेकिन जैसे-जैसे देरी बढ़ती गई, यह बहुत धीमा और बोझिल हो गया, लगभग कुछ न करने जितना ही बुरा।
"क्रिस्टल बॉल" वाला तरीका (VLASH): यह आश्चर्यजनक रूप से अच्छा काम कर रहा था, लेकिन शोध पत्र चेतावनी देता है कि यह भविष्य की स्थिति के पूर्ण ज्ञान पर निर्भर था (जो वास्तविक रोबोटों के पास नहीं होता)। बिना उस पूर्ण ज्ञान के, यह उतना मजबूत नहीं हो सकता है।

मुख्य निष्कर्ष (The Bottom Line)

यदि आप एक ऐसा रोबोट बना रहे हैं जिसे तेजी से प्रतिक्रिया करने की आवश्यकता है:

यदि आप AI को फिर से प्रशिक्षित कर सकते हैं: TT-RTC का उपयोग करें। यह चलाने के लिए मुफ्त है और बहुत स्थिर है।
यदि आप पुन: प्रशिक्षण नहीं कर सकते या देरी बहुत अधिक है: A2C2 का उपयोग करें। यह थोड़ा अतिरिक्त काम जोड़ता है, लेकिन जब मुख्य AI बहुत धीमा होता है, तो यह काम आता है।
IT-RTC से बचें यदि आप लंबी देरी की उम्मीद करते हैं; यह बहुत भारी है।

यह शोध पत्र मूल रूप से कहता है: "केवल धीमे AI के पीछे आने का इंतज़ार न करें। या तो इसे देरी की उम्मीद करना सिखाएं, या इसे वास्तविक समय में गलतियों को ठीक करने के लिए एक तेज़ सहायक दें।"

तकनीकी सारांश: विजन-लैंग्वेज-एक्शन मॉडल्स के लिए एसिंक्रोनस इन्फरेंस विधियों को समझना

1. समस्या विवरण

विज़न-लैंग्वेज-एक्शन (VLA) मॉडल्स सामान्यीकृत रोबोट नियंत्रण के लिए एक प्रतिमान (paradigm) के रूप में उभरे हैं, जो विज़ुअल ऑब्जर्वेशन और भाषाई निर्देशों को एक्शन में मैप करते हैं। आधुनिक VLA पॉलिसी अक्सर एक्शन चंकिंग (action chunking) का उपयोग करती हैं, जो एक ही फॉरवर्ड पास में $H$ भविष्य के एक्शंस का एक क्रम प्रेडिक्ट करती है ताकि इन्फरेंस लागत को कम किया जा सके और संचयी त्रुटियों (compounding errors) को रोका जा सके। हालांकि, बड़े VLA मॉडल्स में इन्फरेंस लेटेंसी (दहाई से सैकड़ों मिलीसेकंड) अधिक होती है।

सिंक्रोनस निष्पादन (Synchronous execution) में, रोबोट इन्फरेंस के दौरान रुक जाता है, जिससे कंट्रोल फ्रीक्वेंसी इन्फरेंस रेट तक सीमित हो जाती है, जो तेज़ प्रतिक्रिया वाले कार्यों के लिए अव्यवहारिक है। नाइव एसिंक्रोनस निष्पादन (Naive asynchronous execution) इन्फरेंस को निष्पादन से अलग कर देता है, और जैसे ही नए चंक्स आते हैं, वे नए चंक्स पर स्विच कर देता है। हालांकि, यह तीन विफलता मोड पेश करता है:

चंक-बाउंड्री डिस्कंटीन्यूइटी (Chunk-boundary discontinuity): नया चंक उन एक्शंस के साथ असंगत होता जो पहले ही रोबोट को सौंप दिए गए हैं।
ऑब्जर्वेशन स्टेलेनेस (Observation staleness): नया चंक एक ऐसे ऑब्जर्वेशन पर आधारित होता है जो $d$ स्टेप्स पुराना है (जहाँ $d$ कंट्रोल स्टेप्स में इन्फरेंस डिले है)।
ओपन-लूप डिग्रेडेशन (Open-loop degradation): प्रतिबद्ध (committed) एक्शंस चंक के जीवनकाल के दौरान पर्यावरणीय परिवर्तनों के अनुकूल नहीं हो पाते।

इन समस्याओं को कम करने के लिए चार विधियाँ प्रस्तावित की गई हैं—IT-RTC, TT-RTC, VLASH, और A2C2—लेकिन उन्हें अलग-अलग बेस पॉलिसी और इवैल्यूएशन प्रोटोकॉल के साथ असंगत कोडबेस में विकसित किया गया है, जिससे सीधा तुलना करना असंभव है।

2. कार्यप्रणाली (Methodology)

लेखकों ने सभी चार विधियों को सामंजस्यपूर्ण लाइब्रेरीज़, डेटासेट्स और बेस पॉलिसीज़ के तहत एकीकृत करने के लिए दो यूनिफाइड कोडबेस (bt-kinetix JAX/Flax में और bt-libero PyTorch/LeRobot में) विकसित किए। उन्होंने इन विधियों का बेंचमार्किंग किया:

Kinetix: एक 2D कंटीन्यूअस-कंट्रोल सुइट जिसमें 10 डायनेमिक एनवायरनमेंट्स हैं, जिसमें MLP-Mixer पॉलिसीज़ ( $H \in \{16, 30\}$ ) का उपयोग किया गया है।
LIBERO: एक 7-DoF मैनिपुलेशन बेंचमार्क जिसमें SmolVLA ( $H=50$ ) का उपयोग किया गया है।

इवैल्यूएशन में 20 कंट्रोल स्टेप्स तक के इन्फरेंस डिले ( $d$ ) का विश्लेषण किया गया (जो लोकल GPUs से लेकर 4G पर क्लाउड इन्फरेंस तक वास्तविक दुनिया के डिप्लॉयमेंट परिदृश्यों का अनुकरण करता है)।

तुलना की गई चार विधियाँ

IT-RTC (Inference-Time Residual Correction via Training-free guidance): फ्लो-मैचिंग गाइडेंस का उपयोग करने वाला एक ट्रेनिंग-फ्री दृष्टिकोण। यह एक नए चंक के पहले $d$ एक्शंस को ज्ञात बाधाओं (constraints) के रूप में मानता है और डैनोइजिंग प्रक्रिया के दौरान एक स्यूडो-इनवर्स-गाइडेंस टर्म का उपयोग करके शेष $H-d$ एक्शंस को "इनपेंट" (inpaint) करता है। इसके लिए किसी री-ट्रेनिंग की आवश्यकता नहीं है लेकिन यह प्रति डैनोइजिंग स्टेप एक बैकवर्ड पास (VJP) के कारण FLOPs को तीन गुना कर देता है।
TT-RTC (Training-Time Residual Correction via Training-time delay simulation): यह ट्रेनिंग प्रक्रिया को एक्शन प्रीफिक्स पर कंडीशन करने के लिए संशोधित करता है। पॉलिसी केवल गैर-स्टेल (non-stale) पोस्टफिक्स एक्शंस को प्रेडिक्ट करना सीखती है जो एक कमिटेड प्रीफिक्स पर आधारित होते हैं। यह ट्रेनिंग के दौरान एक मास्क्ड लॉस और नॉन-नॉइजी ग्राउंड-ट्रुथ प्रीफिक्स का उपयोग करता है। यह शून्य इन्फरेंस ओवरहेड पेश करता है और IT-RTC के लिए एक ड्रॉप-इन रिप्लेसमेंट है।
VLASH (Vision-Language-Action State-aware Conditioning): यह ज्ञात पिछले एक्शंस का उपयोग करके निष्पादन के समय रोबोट की भविष्य की स्थिति (future state) का अनुमान लगाकर ऑब्जर्वेशन स्टेलेनेस को संबोधित करता है। पॉलिसी को स्टेल ऑब्जर्वेशन के बजाय इस "रोल-फॉरवर्ड" स्टेट पर कंडीशन किया जाता है। यह टेम्पोरल-ऑफसेट ट्रेनिंग ऑग्मेंटेशन का उपयोग करता है।
A2C2 (Asynchronous Action Correction via Correction head): यह ओपन-लूप डिग्रेडेशन को लक्षित करता है। यह एक हल्का (lightweight) करेक्शन हेड ट्रेन करता है जो हर कंट्रोल स्टेप पर चलता है, और बेस पॉलिसी के स्टेल एक्शंस के लिए एक रेसिडुअल एडजस्टमेंट ( $\Delta a$ ) उत्सर्जित करता है। यह हेड नवीनतम ऑब्जर्वेशन, बेस-पॉलिसी फीचर्स और एक टाइम-इन-चंक फीचर पर कंडीशन होता है। यह अन्य विधियों के साथ कंपोजेबल है।

3. मुख्य योगदान

यूनिफाइड कोडबेस: bt-kinetix और bt-libero का निर्माण, जो सामंजस्यपूर्ण डिपेंडेंसी के साथ सभी चार विधियों को एकीकृत करते हैं, जिससे पहला व्यवस्थित तुलना संभव हुआ।
व्यवस्थित बेंचमार्किंग: विभिन्न चंक साइज़ ( $H$ ) और डिले ( $d$ अप टू 20) के साथ दो अलग-अलग बेंचमार्क (Kinetix और LIBERO) पर एक व्यापक मूल्यांकन, जो वास्तविक दुनिया के डिप्लॉयमेंट (जैसे एज सर्वर, क्लाउड इन्फरेंस) से संबंधित व्यवस्थाओं को कवर करता है।
व्यावहारिक अंतर्दृष्टि: ट्रेनिंग लागत, इन्फरेंस ओवरहेड और आउट-ऑफ-डिस्ट्रीब्यूशन (OOD) डिले जनरलाइजेशन के बीच ट्रेड-ऑफ का विश्लेषण।

4. परिणाम

Kinetix के परिणाम (MLP-Mixer, $H=16, 30$ )

परफॉरमेंस: A2C2 ने लगभग सभी डिले के लिए उच्चतम एब्सोल्यूट सॉल्व रेट प्राप्त किया, $d=8$ तक >90% सॉल्व रेट बनाए रखा। TT-RTC सबसे मजबूत ट्रेनिंग-आधारित विधि थी, जिसने विभिन्न $d_{max}$ विकल्पों में स्थिरता दिखाई और OOD डिले के लिए अच्छी तरह से जनरलाइज किया।
IT-RTC: कम डिले पर प्रतिस्पर्धी है लेकिन लंबे चंक्स ( $H=30$ ) और उच्च डिले ( $d > 8$ ) के तहत तेजी से गिर जाता है, जो बताता है कि इसका लीनियर VJP एप्रोक्सिमेशन बढ़ता हुआ प्रीफिक्स-टू-पोस्टफिक्स अनुपात होने पर विफल हो जाता है।
VLASH: यह फाइन-ट्यूनिंग डिले रेंज $[0, d_{max}]$ द्वारा नियंत्रित एक ट्रेड-ऑफ प्रदर्शित करता है। एक व्यापक $d_{max}$ ने हाई-डिले मजबूती को सुधारा लेकिन लो-डिले सटीकता को नुकसान पहुँचाया।
TT-RTC बनाम VLASH: TT-RTC काफी हद तक $d_{max}$ के चुनाव के प्रति असंवेदनशील था, जबकि VLASH को अपेक्षित डिप्लॉयमेंट डिले के लिए $d_{max}$ की सावधानीपूर्वक ट्यूनिंग की आवश्यकता थी।

LIBERO के परिणाम (SmolVLA, $H=50$ )

रैंकिंग शिफ्ट: उच्च डिले पर Kinetix की तुलना में रैंकिंग उलट गई। A2C2 उच्च डिले ( $d \ge 4$ ) पर सबसे मजबूत विधि बन गया, जो अन्य विधियों पर ~10-पॉइंट का मार्जिन बनाए रखता है।
IT-RTC और TT-RTC: दोनों में प्रीफिक्स-टू-पोस्टफिक्स अनुपात बढ़ने के कारण काफी गिरावट आई (लंबे चंक साइज $H=50$ के कारण)। IT-RTC $d=8$ के बाद लगभग बेसलाइन परफॉर्मेंस तक गिर गया। TT-RTC, जो Kinetix पर स्थिर था, LIBERO पर महत्वपूर्ण सटीकता गिरावट देखता है।
VLASH: व्यापक $d_{max}$ ($8, 16$) वाले वेरिएंट्स डिले के बावजूद उल्लेखनीय रूप से स्थिर रहे। नोट: लेखक जोर देते हैं कि LIBERO पर VLASH के परिणाम ग्राउंड-ट्रुथ फ्यूचर स्टेट्स (प्रिविलेज्ड इंफॉर्मेशन) पर निर्भर करते हैं, जो डिप्लॉयबल वेरिएंट्स के लिए एक अपर बाउंड के रूप में कार्य करता है।
लेटेंसी: TT-RTC ने नाइव बेसलाइन की वॉल-क्लॉक लेटेंसी से मेल खाया। IT-RTC ने ~16% लेटेंसी वृद्धि दर्ज की। A2C2 का रेसिडुअल हेड सीरियल निष्पादन में ~1.8% लेटेंसी जोड़ता है।

लागत विश्लेषण (Cost Analysis)

इन्फरेंस ओवरहेड: IT-RTC अनुक्रमिक डैनोइजिंग लूप के FLOPs को तीन गुना कर देता है। A2C2 का ओवरहेड निष्पादन क्षितिज (execution horizon) $s$ के समान बढ़ता है (जैसे LIBERO पर 50 स्टेप्स), जिससे यह बड़े मॉडल्स पर IT-RTC की तुलना में अधिक महंगा हो जाता है, हालांकि इसका रेसिडुअल हेड आइसोलेशन में हल्का है।
ट्रेनिंग लागत: TT-RTC के लिए मामूली फाइन-ट्यून (~Kinetix पर बेस कॉस्ट का 25%) की आवश्यकता होती है। VLASH और A2C2 के लिए अधिक व्यापक ट्रेनिंग या री-ट्रेनिंग की आवश्यकता होती है।
ब्रेक-ईवन: LIBERO पर, वह ब्रेक-ईवन पॉइंट जहाँ TT-RTC की एक-बार की ट्रेनिंग लागत IT-RTC के आवर्ती इन्फरेंस ओवरहेड से अधिक हो जाती है, लगभग 2.9 मिलियन एपिसोड है।

5. महत्व और दावे

पेपर का दावा है कि कोई भी एकल विधि सभी सेटिंग्स में हावी नहीं होती है, और इष्टतम विकल्प विशिष्ट डिप्लॉयमेंट बाधाओं (चंक साइज, अपेक्षित डिले, री-ट्रेनिंग व्यवहार्यता) पर निर्भर करता है:

यदि री-ट्रेनिंग असंभव है और डिले कम है: IT-RTC एक समझदारी भरा ड्रॉप-इन समाधान है।
यदि फाइन-ट्यूनिंग संभव है और चंक्स छोटे हैं: TT-RTC शून्य इन्फरेंस ओवरहेड और मजबूत OOD जनरलाइजेशन के साथ एक लगभग मुफ्त समाधान प्रदान करता है।
लंबे-चंक VLA सेटिंग्स में (जैसे SmolVLA): A2C2 उच्च डिले के लिए सबसे विश्वसनीय विकल्प है और स्वाभाविक रूप से अन्य विधियों के साथ कंपोज होता है।
VLASH: तब तक एक मजबूत विकल्प बना रहता है जब तक कि एक सटीक फॉरवर्ड स्टेट मॉडल उपलब्ध हो और फाइन-ट्यूनिंग के समय डिप्लॉयमेंट डिले रेंज ज्ञात हो।

लेखक निष्कर्ष निकालते हैं कि उनका व्यवस्थित तुलनात्मक अध्ययन इन विधियों के बीच ट्रेड-ऑफ को स्पष्ट करता है, जो भविष्य के VLA डिज़ाइन और डिप्लॉयमेंट रणनीतियों को सूचित करता है। वे अपनी सीमाओं को भी स्पष्ट रूप से नोट करते हैं, जिसमें LIBERO पर VLASH के लिए ऑरेकल फ्यूचर स्टेट्स पर निर्भरता और निश्चित पूर्णांक (integer) डिले की धारणा शामिल है, जो यह सुझाव देती है कि वास्तविक दुनिया की परिवर्तनशील लेटेंसी स्थितियाँ TT-RTC और A2C2 जैसे डिले-अवेयर मेथड्स को और अधिक अनुकूल बना सकती हैं।