💻 computer science

Primitive Subspaces Mediate Few-Shot Transfer in VLAs

यह शोध पत्र यह प्रदर्शित करता है कि प्रिमिटिव-सेगमेंटेड एपिसोड के साथ विजन-लैंग्वेज-एक्शन (VLA) पॉलिसियों को प्रशिक्षित करना उप-कौशलों की एक हस्तांतरणीय लाइब्रेरी बनाता है जो फ्लैट ट्राजेक्टरी ट्रेनिंग की तुलना में काफी अधिक सैंपल-एफिशिएंट फ्यू-शॉट टास्क एडाप्टेशन सक्षम करता है, एक कारण संबंध जिसे सबस्पेस एब्लेशन अध्ययनों के माध्यम से पुष्ट किया गया है।

मूल लेखक: Anya Singh, Cabrel Happi, Jai Relan, Varun Nair, Vidyut Baradwaj

प्रकाशित 2026-06-01

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anya Singh, Cabrel Happi, Jai Relan, Varun Nair, Vidyut Baradwaj

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 फर्नीचर बनाना सिखा रहे हैं। वर्तमान में, फर्नीचर बनाने का मानक तरीका हर एक फर्नीचर के लिए एक विशेष ट्यूटर (शिक्षक) रखने जैसा है। यदि आप चाहते हैं कि रोबोट एक कुर्सी बनाए, तो आप उसे कुर्सी बनाने के 50 वीडियो दिखाते हैं और वह उस विशिष्ट कार्य को याद कर लेता है। यदि फिर आप चाहते हैं कि वह एक मेज बनाए, तो आपको एक नया ट्यूटर नियुक्त करना होगा, उसे 50 नए वीडियो दिखाने होंगे, और उसे शून्य से फिर से प्रशिक्षित करना होगा। यह धीमा, महंगा है और इसके लिए रोबोट को कुर्सी बनाना "भूलने" की आवश्यकता होती है ताकि वह मेज बनाना सीख सके।

यह शोध पत्र एक अलग प्रश्न पूछता है: क्या हम पहले रोबोट को "बुनियादी चालों की एक लाइब्रेरी" (library of basic moves) सिखा सकते हैं, ताकि बाद में, हम बस उसे किसी नए कार्य के कुछ वीडियो दिखा सकें, और वह अपने आप उन बुनियादी चालों को संयोजित करना सीख जाए?

यहाँ उनके प्रयोग और निष्कर्षों का सरल उपमाओं (analogies) का उपयोग करके विवरण दिया गया।

मुख्य विचार: "फ्लैट" बनाम "प्रिमिटिव" प्रशिक्षण

शोधकर्ताओं ने दो अलग-अलग रोबोट "मस्तिष्क" (आर्किटेक्चर जिन्हें OpenVLA और $\pi_{0.5}$ कहा जाता है) का उपयोग करके रोबोट को प्रशिक्षित करने के दो तरीकों का परीक्षण किया:

"फ्लैट" दृष्टिकोण (याद करने वाला - The Memorizer):
- उपमा: कल्पना कीजिए कि आप एक छात्र को एक जटिल मशीन को असेंबल करते हुए एक पूरा मूवी दिखाकर सिखा रहे हैं। आप कहते हैं, "इस पूरी फिल्म को देखो और सीखो कि मशीन कैसे बनाई जाती है।"
- परिणाम: छात्र पूरी फिल्म को याद कर लेता है। यदि आप बाद में उन्हें एक नई मशीन दिखाते हैं, तो वे संघर्ष करते हैं क्योंकि वे केवल पहली फिल्म के विशिष्ट अनुक्रम (sequence) को जानते हैं, उसके व्यक्तिगत हिस्सों को नहीं।
"प्रिमिटिव" दृष्टिकोण (लेगो बिल्डर - The Lego Builder):
- उपमा: कल्पना कीजिए कि आप उसी छात्र को सिखा रहे हैं, लेकिन इस बार आप फिल्म को छोटे, लेबल वाले क्लिप्स में तोड़ देते हैं। आप वीडियो को रोकते हैं और कहते हैं, "यह क्लिप है 'पेंच उठाना' (pick up the screw)।" फिर, "यह क्लिप है 'इसे पेंच में कसना' (screw it in)।" आप उन्हें बुनियादी चालों (primitives) की एक शब्दावली देते हैं जैसे "उठाना" (pick), "रखना" (place), "डालना" (insert), और "घुमाना" (rotate)।
- परिणाम: छात्र बुनियादी चालों की एक लाइब्रेरी सीख जाता है। जब आप उन्हें बाद में एक नई मशीन दिखाते हैं, तो उन्हें सब कुछ फिर से सीखने की आवश्यकता नहीं होती है। उन्हें बस नई मशीन के कुछ उदाहरण देखने की आवश्यकता है और वे कह सकते हैं, "आह, मैं जानता हूँ कि कैसे 'उठाना' और 'डallना' है; मैं इसे बनाने के लिए उन्हें कैसे संयोजित कर सकता हूँ।"

प्रयोग: "फ्यू-शॉट" टेस्ट (The "Few-Shot" Test)

शोधकर्ताओं ने 6 विशिष्ट कार्यों को रोक कर रखा था जिन्हें रोबोटों ने प्रशिक्षण के दौरान कभी नहीं देखा था। परीक्षण के समय, उन्होंने रोबोटों को इन नए कार्यों के प्रदर्शन वीडियो की एक छोटी संख्या (0 से लेकर 10 तक) दी और उनसे बिना किसी आगे के पुनर्र्प्रशिक्षण के कार्य करने को कहा।

लक्ष्य: यह देखना कि रोबोट को सफल होने के लिए कितने वीडियो (प्रदर्शन) की आवश्यकता है।
निष्कर्ष:
- "प्रिमिटिव" रोबोट अविश्वसनीय रूप से कुशल थे। केवल 3 वीडियो के साथ, उन्होंने लगभग उतना ही प्रदर्शन किया जितना कि यदि उन्हें 50 वीडियो के साथ पूरी तरह से पुनर्र्प्रशिक्षित किया गया होता।
- "फ्लैट" रोबोट बहुत धीमे थे। उन्हें उस स्तर तक पहुँचने के लिए, जो प्रिमिटिव रोबोटों ने 3 वीडियो के साथ प्राप्त किया था, 10 वीडियो की आवश्यकता पड़ी।
- अंतर: प्रिमिटिव दृष्टिकोण 3 गुना अधिक सैंपल-एफिशिएंट (sample-efficient) था। यह ऐसा है जैसे प्रिमिटिव रोबोट ने 3 दिनों में एक नई भाषा सीखी, जबकि फ्लैट रोबोट को वही सीखने के लिए 10 दिनों की आवश्यकता थी।

"क्यों": यह साबित करना कि यह कोई संयोग नहीं है

शोधकर्ता केवल यह नहीं जानना चाहते थे कि यह काम क्यों करता है; वे यह भी जानना चाहते थे कि क्यों। उन्हें संदेह था कि रोबोट इन "बुनियादी चालों" को अपने मस्तिष्क के एक विशिष्ट भाग (इसके छिपे हुए स्टेट्स का एक "सबस्पेस") में संग्रहीत कर रहा है।

इसे सिद्ध करने के लिए, उन्होंने एक "ब्रेन सर्जरी" सिमुलेशन किया:

परीक्षण: उन्होंने अस्थायी रूप से रोबोट के मस्तिष्क के उस विशिष्ट भाग को "बंद" कर दिया जो इन बुनियादी चालों को समझता था।
परिणाम: कुछ ही वीडियो से सीखने की रोबोट की क्षमता क्रैश हो गई (प्रदर्शन में 32% की गिरावट आई)।
कंट्रोल: जब उन्होंने मस्तिष्क के किसी यादृच्छिक (random), असंबंधित हिस्से को बंद किया, तो रोबोट का प्रदर्शन समान रहा।
निष्कर्ष: इसने सिद्ध किया कि "बुनियादी चाल" की लाइब्रेरी केवल एक भाग्यशाली दुष्प्रभाव नहीं थी; यह वह आवश्यक इंजन था जो रोबोट को नए कार्यों को तेज़ी से सीखने में सक्षम बनाता है।

सावधानी: जब यह काम नहीं करता

शोधकर्ताओं ने एक सीमा भी पाई। "प्रिमिटिव" दृष्टिकोण केवल तभी काम करता है जब नया कार्य ज्ञात बुनियादी चालों से बना हो।

उपमा: यदि आपने रोबोट को "उठाना," "रखना," और "पेंच कसना" जैसी चालें सिखाई हैं, तो वह एक नई कुर्सी बना सकता है। लेकिन यदि आप उसे एक ऐसा कार्य दिखाते हैं जिसमें एक पूरी तरह से नई चाल की आवश्यकता होती है (जैसे "एक विशेष धागे को घुमाना"), तो रोबोट भ्रमित हो जाता है। वह उस नई चाल को अपनी पुरानी, ज्ञात श्रेणियों में फिट करने की कोशिश करता है, जिससे उसका प्रदर्शन उस "फ्लैट" रोबोट से भी खराब हो जाता है जो केवल पूरी नई कार्य प्रक्रिया को शुरू से याद करने की कोशिश करता है।

सफलता को मापने के तरीके पर सुधार

पेपर ने यह भी बताया कि हम वर्तमान में यह कैसे मापते हैं कि एक रोबोट सफल हुआ या नहीं, उसमें एक तकनीकी त्रुटि है।

समस्या: जब रोबट कार्यों को "चंक्स" (कदमों के समूह) में आउटपुट करते हैं (एक-एक कदम के बजाय), तो यह जांचने का पुराना तरीका कि वे सही हैं या नहीं, बहुत सख्त था। यह एक छात्र के 16-प्रश्न वाले निबंध को ग्रेड करने जैसा था जहाँ यह चेक किया जा रहा था कि क्या हर एक शब्द सटीक है, बजाय इसके कि क्या वाक्य का अर्थ सही है। इसके कारण रोबोट उन परीक्षणों में विफल हो गए जिन्हें उन्होंने वास्तव में पास किया था।
समाधान: उन्होंने एक नया, अधिक निष्पक्ष ग्रेडिंग सिस्टम बनाया जो इन "चंक्स" को ध्यान में रखता है, यह सुनिश्चित करता है कि हम रोबोटों को उनकी दक्षता के लिए अनुचित रूप से दंडित न करें।

सारांश

यह शोध पत्र दिखाता है कि यदि आप रोबोट को प्रशिक्षण के दौरान बुनियादी चालों की शब्दावली (primitives) सिखाते हैं, तो वे बहुत कम उदाहरणों के साथ नए, जटिल कार्यों को सीखने में बहुत बेहतर हो जाते हैं। वे इन बुनियादी चालों को लेगो ब्रिक्स की तरह आपस में मिला सकते हैं। हालाँकि, यह केवल तभी काम करता है जब नया कार्य उन ईंटों (bricks) से बना हो जिन्हें रोबोट पहले से जानता है। यह विधि कारखानों में समय और पैसा बचा सकती है, क्योंकि रोबोटों को हर नए उत्पाद परिवर्तन के लिए शून्य से फिर से प्रशिक्षित करने की आवश्यकता नहीं होगी।

तकनीकी सारांश: प्रिमिटिव सबस्पेस (Primitive Subspaces) VLAs में फ्यू-शॉट ट्रांसफर को सुगम बनाते हैं

समस्या विवरण (Problem Statement)

औद्योगिक वातावरण में विजन-लैंग्वेज-एक्शन (VLA) नीतियों को तैनात करना वर्तमान में उच्च पुन: प्रशिक्षण लागतों (retraining costs) के कारण बाधित है। मानक परिनियोजन प्रक्रिया में प्रत्येक नए कार्य या उत्पाद संस्करण के लिए कार्य-विशिष्ट प्रदर्शन (demonstrations) एकत्र करना और VLA को फाइन-ट्यून करना शामिल है। यह दृष्टिकोण संग्रह लागत के साथ रैखिक रूप से बढ़ता है और इसके लिए महत्वपूर्ण बुनियादी ढांचे की आवश्यकता होती है, जो निरंतर प्रक्रिया परिवर्तनों वाले संदर्भों में अव्यावहारिक है। यह शोध इस बात की जांच करता है कि क्या VLAs बिना किसी वेट अपडेट के, कुछ ही प्रदर्शनों (demonstrations) के आधार पर, टेस्ट टाइम पर नए कार्य सीख सकते हैं। लेखक यह परिकल्पना करते हैं कि प्रशिक्षण डेटा की संरचना मायने रखती है: उनका अनुमान है कि स्पष्ट प्रिमिटिव-स्तर (primitive-level) पर्यवेक्षण के साथ प्रशिक्षित VLAs, फ्लैट टास्क ट्रेजेक्टरीज (flat task trajectories) पर प्रशिक्षित मॉडलों की तुलना में अधिक कंपोजिशनल रिप्रजेंटेशन (compositional representations) सीखते हैं, जिससे बेहतर फ्यू-शटू ट्रांसफर (few-shot transfer) सक्षम होता है।

कार्यप्रणाली (Methodology)

प्रयोगात्मक डिजाइन (Experimental Design)

लेखकों ने दो अलग-अलग VLA आर्किटेक्चर के साथ एक $2 \times 2$ डिजाइन का उपयोग करके एक नियंत्रित प्रयोग किया:

OpenVLA: Llama-2 पर आधारित एक ऑटो-रिग्रेसिव 7B-पैरामीटर मॉडल।
$\pi_0.5$ : PaliGemma पर आधारित एक फ्लो-मैचिंग पॉलिसी जिसमें 16-स्टेप एक्शन चंक्स (action chunks) होते हैं।

दोनों आर्किटेक्चर को मैच किए गए LoRA रेसिपी (rank 32, $\alpha=64$ , लर्निंग रेट $5 \times 10^{-5}$ ) का उपयोग करके फाइन-ट्यून किया गया था और तीन ट्रेनिंग सीड्स केAcross हाइपरपैरामीटर्स को लॉक रखा गया था। एकमात्र चर (variable) प्रशिक्षण डेटा का दृश्य (view) था:

फ्लैट ट्रेनिंग (Flat Training): एपिसोड निरंतर कार्य युग्म (जैसे, "pick and insert") थे जिनमें उच्च-स्तरीय भाषा प्रॉम्प्ट थे।
प्रिमिटिव ट्रेनिंग (Primitive Training): एपिसोड को एकल प्रिमिटिव क्रियाओं (जैसे, "pick" या "insert") में विभाजित किया गया था जिनमें प्रिमिटिव-विशिष्ट भाषा प्रॉम्प्ट थे।

डेटासेट और मूल्यांकन (Datasets and Evaluation)

प्राथमिक डेटासेट: REASSEMBLE, जो NIST असेंबली टास्क बोर्ड 1 बेंचमार्क पर आधारित एक कॉन्टैक्ट-रिच इंडस्ट्रियल असेंबली डेटासेट है।
रेप्लिकेशन डेटासेट: LIBERO-Long, जो मल्टी-स्टेप टास्क स्ट्रक्चर वाला एक घरेलू हेरफेर (household manipulation) बेंचमार्क है।
होल्ड-आउट टास्क (Held-Out Tasks): छह विशिष्ट (ऑब्जेक्ट, टास्क-सीक्वेंस) संयोजनों को प्रशिक्षण से पूरी तरह से बाहर रखा गया था। ये कार्य ऑब्जेक्ट (वे ऑब्जेक्ट्स जिनके प्रिमिटिव्स ट्रेनिंग में देखे गए थे लेकिन नए संयोजनों में) और टास्क सीक्वेंस (नए क्रमों में प्रिमिटिव्स) द्वारा भिन्न थे। एक आउट-ऑफ-वोकैबुलरी श्रेणी (जिसके लिए प्रशिक्षण में अनुपस्थित प्रिमिटिव प्रकार की आवश्यकता थी) का भी परीक्षण किया गया।
फ्यू-शॉट प्रोटोकॉल (Few-Shot Protocol): टेस्ट टाइम पर, मॉडलों को एक उच्च-स्तरीय कार्य विवरण और $m \in \{0, 1, 3, 5, 10\}$ प्रदर्शन एपिसोड प्राप्त हुए। प्रदर्शनों को विजन-एनकोडर फीचर्स के माध्यम से एनकोड किया गया और भाषा प्रॉम्प्ट के आगे जोड़ा गया। मॉडल बिना वेट अपडेट के क्रियाएं निष्पादित करते हैं।

कॉज़ल इंटरवेंशन (Causal Intervention)

कारण संबंध (causality) स्थापित करने के लिए, लेखकों ने एक सबस्पेस-एब्लेशन इंटरवेंशन का उपयोग किया:

लीनियर प्रोबिंग (Linear Probing): उन्होंने प्रिमिटिव पहचान को एनकोड करने वाली दिशाओं की पहचान करने के लिए हिडन स्टेट्स पर लीनियर प्रोब्स प्रशिक्षित किए।
एब्लेशन (Ablation): इन्फरेंस के समय, उन्होंने हिडन स्टेट्स को पहचाने गए प्रिमिटिव-डिकोडेबल सबस्पेस (लेयर 24) के ऑर्थोगोनल कॉम्प्लीमेंट पर प्रोजेक्ट किया, जिससे प्रभावी रूप से प्रिमिटिव जानकारी को हटा दिया गया।
कंट्रोल (Control): उन्होंने समान आयामीता (dimensionality) के एक रैंडम सबस्पेस को एब्लेट किया ताकि यह सुनिश्चित हो सके कि प्रभाव केवल प्रिमिटिव रिप्रजेंटेशन के लिए विशिष्ट है।

कार्यप्रणाली सुधार (Methodological Correction)

लेखकों ने चंक्ड पॉलिसियों (chunked policies) के मूल्यांकन में एक "फैमिली-वाइज इन्फ्लेशन" आर्टिफैक्ट की पहचान की। 16-स्टेप चंक्स पर सिंगल-स्टेप एक्शन-रेंज गेट्स को एलिमेंट-वाइज लागू करने से ग्राउंड-ट्रुथ ह्यूमन प्रदर्शनों के विरुद्ध 40-42% की गलत-विफलता दर (false-failure rates) उत्पन्न हुई। उन्होंने निष्पक्ष मूल्यांकन सुनिश्चित करने के लिए ग्राउंड-ट्रुथ चंक डिस्ट्रीब्यूशन के विरुद्ध कैलिब्रेटेड एक सुधारा गया एलिमेंट-लेवल गेट प्रस्तावित और कार्यान्वित किया।

मुख्य परिणाम (Key Results)

फ्यू-शॉट ट्रांसफर दक्षता (Few-Shot Transfer Efficiency)

प्रिमिटिव-प्रशिक्षित मॉडलों ने फ्लैट-प्रशिक्षित मॉडलों की तुलना में महत्वपूर्ण सैंपल दक्षता लाभ प्रदर्शित किया:

प्रदर्शन अंतराल (Performance Gap): $m=3$ प्रदर्शनों पर, प्रिमिटिव-प्रशिक्षित मॉडलों ने 0.62–0.66 की सफलता दर प्राप्त की, जबकि फ्लैट-प्रशिक्षित मॉडलों ने केवल 0.31–0.34 प्राप्त किया (एक $\approx 2\times$ का लाभ)।
सैचुरेशन (Saturation): प्रिमिटिव-प्रशिक्षित मॉडल $m=5$ पर सैचुरेट हो गए, जो फुल फाइन-ट्यूनिंग अपर बाउंड का 78% तक पहुँच गए। फ्लैट-प्रशिक्षित मॉडलों को समान प्रदर्शन स्तर तक पहुँचने के लिए $m=10$ की आवश्यकता थी, जो 3 $\times$ सैंपल दक्षता अंतर को दर्शाता है।
मजबूती (Robustness): यह लाभ दोनों आर्किटेक्चर (OpenVLA और $\pi_0.5$ ), तीन ट्रेनिंग सीड्स और LIBERO-Long पर क्रॉस-डेटासेट रेप्लिकेशन में भी दोहराया गया।

कॉज़ल साक्ष्य (Causal Evidence)

सबस्पेस-एब्लेशन इंटरवेंशन ने प्रिमिटिव रिप्रजेंटेशन की आवश्यकता की पुष्टि की:

प्रिमिटिव-डिकोडेबल सबस्पेस को एब्लेट करने से फ्यू-शॉट सफलता में 32 प्रतिशत अंक की गिरावट आई (उदाहरण के लिए, OpenVLA के लिए 0.62 से 0.30 तक)।
समान आयामीता के रैंडम सबस्पेस को एब्लेट करने का नगण्य प्रभाव पड़ा (सैंपलिंग नॉइज़ के भीतर), जो पुष्टि करता है कि प्रिमिटिव-डिकोडेबल रिप्रजेंटेशन फ्यू-शॉट ट्रांसफर के लिए कॉज़ली आवश्यक है, न कि केवल सह-संबंधित (correlated)।

बेसलाइन तुलना (Baseline Comparisons)

प्रिमिटिव-अवेयर फ्यू-शॉट ट्रांसफर ने $m=3$ पर कई बेसलाइनों को काफी पीछे छोड़ दिया:

जीरो-शॉट प्रिमिटिव सीक्वेंसिंग: +35 प्रतिशत अंक।
ऑक्टो-स्टाइल (Octo-style) प्रदर्शन-कंडीशन्ड बेसलाइन: +21 से 22 प्रतिशत अंक।
डिफ्यूजन पॉलिसी (Diffusion Policy): इससे काफी बड़े अंतर से पीछे रहा।

सीमाएं और विफलता मोड (Limitations and Failure Modes)

पेपर नोट करता है कि प्रिमिटिव-अवेयर ट्रेनिंग सार्वभौमिक रूप से प्रदर्शन में सुधार नहीं करती है। उन कार्यों पर जो आउट-ऑफ-वोकैबुलरी प्रिमिटिव्स (जैसे, "rotate-to-engage" क्रिया जो प्रशिक्षण शब्दावली में मौजूद नहीं है) की मांग करते हैं, प्रिमिटिव-प्रशिक्षित मॉडल फ्लैट-प्रशिक्षित मॉडलों से कम प्रदर्शन करते हैं। लेखक परिकल्पना करते हैं कि प्रिमिटिव-प्रशिक्षित मॉडल नए प्रदर्शनों को ज्ञात प्रिमिटिव के निकटतम मैप करने का प्रयास करते हैं, जबकि फ्लैट-प्रशिक्ित मॉडल नए व्यवहार को अधिक लचीले ढंग से सीख सकते हैं।

महत्व और दावे (Significance and Claims)

यह पेपर यह दावा करने वाला पहला नियंत्रित तुलना प्रदान करता है कि प्रिमिटिव-अवेयर ट्रेनिंग एक ट्रांसफर करने योग्य आर्टिफैक्ट (transferable artifact) बनाती है: उप-कौशल (sub-skills) का एक पुस्तकालय जिसे इन्फरेंस के समय कंपोज़ किया जा सकता है।

तंत्र (Mechanism): लेखक स्थापित करते हैं कि प्रशिक्षण के दौरान स्पष्ट प्रिमिटिव पर्यवेक्षण, टास्क कॉन्टेक्स्ट से सब-स्किल रिप्रजेंटेशन को अलग (disentangle) कर देता है, जिससे हिडन स्टेट्स में एक "प्रिमिटिव-डिकोडेबल सबस्पेस" बनता है जो फ्यू-शॉट ट्रांसफर के लिए कॉज़ली आवश्यक है।
व्यावहारिक प्रभाव (Practical Impact): औद्योगिक परिनियोजन के लिए, परिणाम बताते हैं कि प्रिमिटिव सेगमेंटेशन के साथ प्रशिक्षण लेने से एक VLA केवल 5 प्रदर्शनों के साथ $\sim 90\%$ फुल फाइन-ट्यूनिंग प्रदर्शन प्राप्त कर सकता है, जिससे नए कार्य वेरिएंट के लिए पुन: प्रशिक्षण से जुड़ी लागत और डाउनटाइम काफी कम हो जाता है।
दायरा (Scope): निष्कर्ष सामान्यीकरण (generalization) के संबंध में विनम्र हैं; लाभ उन कार्यों के लिए बना रहता है जो ज्ञात प्रिमिटिव प्रकारों को पुनर्संयोजित करते हैं, लेकिन जब कार्य प्रशिक्षण शब्दावली में अनुपस्थित मौलिक रूप से नवीन प्रिमिटिव्स की मांग करते हैं तो यह उलट जाता है। परिणाम वर्तमान में सिमुलेशन (REASSEMBLE और LIBERO-Long) और दो विशिष्ट आर्किटेक्चर तक सीमित हैं।