💻 computer science

ChainVLA: Chaining Vision-Language-Action Queries through a Unified Execution State for Long-Horizon Manipulation

ChainVLA एक 1.2B-पैरामीटर वाला विजन-लैंग्वेज-एक्शन पॉलिसी है जो कार्य प्रगति के लिए रिकरेंट वर्किंग मेमोरी और निरंतर एक्शन जनरेशन के लिए मोशन टेलिंग को संयोजित करने वाले एक एकीकृत, परिवर्तनीय निष्पादन अवस्था (एग्जीक्यूशन स्टेट) के माध्यम से क्रमिक प्रश्नों को जोड़कर श्रेष्ठ लॉन्ग-होरइजन मैनिपुलेशन प्रदर्शन प्राप्त करता है।

मूल लेखक: Yuzhi Huang, Weijue Bu, Ziyi Xiong, Jie Wu, Fanding Huang, Jingyan Jiang, Zhi Wang

प्रकाशित 2026-08-04

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuzhi Huang, Weijue Bu, Ziyi Xiong, Jie Wu, Fanding Huang, Jingyan Jiang, Zhi Wang

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 बिखरा हुआ कमरा साफ करना सिखा रहे हैं। आप उसे एक सरल निर्देश देते हैं: "खिलौनों को हटा दो।" एक रोबोट जो बहुत छोटे, अलग-थलग चरणों में सोचता है, वह फर्श की ओर देख सकता है, एक लाल ब्लॉक उठा सकता है, और उसे एक डिब्बे में रख सकता है। फिर, वह रुक जाता है। वह भूल जाता है कि उसने अभी-अभी वह ब्लॉक उठाया था। वह फिर से फर्श की ओर देखता है, एक नीला ब्लॉक देखता है, और उसे उठा लेता है। लेकिन क्या होगा अगर वह लाल ब्लॉक वास्तव में नीले ब्लॉक के नीचे रखा जाना चाहिए था? या क्या होगा अगर रोबट को यह याद रखने की ज़रूरत है कि उसने कमरे का बायां हिस्सा पहले ही साफ कर दिया है, ताकि वह वापस वहां न जाए? यह "लॉन्ग-होराइजन मैनिपुलेशन" (long-horizon manipulation) की चुनौती है। यह केवल एक हाथ हिलाने के बारे में नहीं है; यह अपने हाथों के व्यस्त होने के दौरान अपने दिमाग में एक चलती हुई कहानी बनाए रखने के बारे में है।

रोबोटिक्स की दुनिया में, वैज्ञानिक विजन-लैंग्वेज-एक्शन (VLA) पॉलिसी नामक चीज़ का उपयोग करते हैं। इन्हें रोबोट का मस्तिष्क समझें, जो कैमरे को देखता है (विज़न/दृष्टि), आपके निर्देशों को पढ़ता है (भाषा), और निर्णय लेता है कि क्या करना है (एक्शन/क्रिया)। आमतौर पर, ये मस्तिष्क छोटे अंतराल में काम करते हैं। वे अगले कुछ सेकंड के लिए एक योजना बनाते हैं, वे चालें चलते हैं, और फिर तुरंत एक नया प्लान शून्य से बनाने के लिए रुक जाते हैं। यह एक उपन्यास लिखने की कोशिश करने जैसा है जहाँ आप एक वाक्य लिखते हैं, पिछले वाक्य की अपनी स्मृति मिटा देते हैं, और फिर केवल वर्तमान पृष्ठ के आधार पर अगले वाक्य का अनुमान लगाने की कोशिश करते हैं। समस्या यह है कि रोबोट अक्सर कहानी का सूत्र खो देता है। वह भूल जाता है कि उसने अभी क्या हासिल किया है या भ्रमित हो जाता है क्योंकि उसकी नई योजना उस गति से टकरा जाती है जो वह पहले से ही कर रहा था। यह पेपर पूछता है: हम एक ऐसा रोबोट कैसे बना सकते हैं जो अपनी कहानी को याद रखे और अपनी गतिविधियों को सुचारू बनाए रखे, वह भी वास्तविक समय में दुनिया को देखते हुए?

एक स्मृति और एक संवेग वाला रोबोट

मिलिए ChainVLA से। यह शोधकर्ताओं द्वारा "भुलक्कड़ रोबोट" की समस्या को हल करने के लिए डिज़ाइन किया गया एक नए प्रकार का रोबोट मस्तिष्क है। कल्पना कीजिए कि आप एक घुमावदार रास्ते पर साइकिल चला रहे हैं। सीधा रहने के लिए, आपको दो चीजों की आवश्यकता होती है: आपको यह याद रखने की आवश्यकता है कि आप कहाँ रहे हैं (क्या आपने अभी बाएँ मुड़ा था? क्या आगे कोई पहाड़ी आ रही है?), और आपको सुचारू रूप से पैडल मारना जारी रखना होगा ताकि आप डगमगाएँ और गिर न जाएँ। ChainVLA रोबोटिक भुजाओं के लिए ठीक यही करने के लिए बनाया गया है।

आज के अधिकांश रोबोट मस्तिष्क एक ऐसे व्यक्ति की तरह काम करते हैं जो एक फोटो लेता है, एक निर्णय लेता है, फोटो को नीचे रखता है, एक नई फोटो लेता है, और एक नया निर्णय लेता है। वे पिछले निर्णय की "अनुभूति" को अगले निर्णय में नहीं ले जाते हैं। ChainVLA इन निर्णयों को एक साथ जोड़कर खेल बदल देता है। यह एक विशेष "एक्जीक्यूशन स्टेट" (execution state) बनाता है जो एक बैकपैक की तरह काम करता है जिसे रोबोट पहनता है। इस बैकपैक में दो बहुत महत्वपूर्ण हिस्से हैं:

"कहानी" वाला हिस्सा (प्रोग्रेस कॉन्टेक्स्ट): इसमें इस बात की स्मृति होती है कि रोबोट ने पहले ही क्या हासिल कर लिया है। यह एक मानसिक चेकलिस्ट की तरह है। यदि रोबोट ने अभी एक ब्लॉक को बाईं ओर स्थानांतरित किया है, तो यह हिस्सा याद रखेगा, "ठीक है, बायां हिस्सा साफ है।" यह एक त्वरित, वर्किंग मेमोरी (अभी क्या हो रहा है) को एक स्पार्स, लॉन्ग-टर्म मेमोरी (महत्वपूर्ण घटनाएँ जो कुछ समय पहले हुई थीं, जैसे "मैंने पहले लाल ब्लॉक को हटाया") के साथ जोड़ता है। यह रोबट को यह जानने में मदद करता है कि वह बड़े कार्य के चित्र में कहाँ है।
"संवेग" वाला हिस्सा (मोशन टेल): यह सबसे दिलचस्प हिस्सा है। जब रोबोट चलने का निर्णय लेता है, तो वह केवल "आगे बढ़ो" नहीं कहता। वह अगले कुछ सेकंड के लिए चालों के एक पूरे क्रम की भविष्यवाणी करता है। लेकिन वह वास्तव में केवल पहले कुछ कदम ही चलता है और फिर दोबारा सोचने के लिए रुक जाता है। "मोशन टेल" उस भविष्यवाणी का वह हिस्सा है जो अभी तक किया नहीं गया है। ChainVla इस अधूरे प्लान को सहेज लेता है और इसे अगले चरण के लिए रोबोट के मस्तिष्क में वापस फीड कर देता है। यह एक धावक की तरह है जो, जूता बाँधने के लिए रुकने के बाद भी, ठीक से याद रखता है कि वह कितनी तेज़ और किस दिशा में दौड़ रहा था, ताकि उसे शून्य से शुरू न करना पड़े।

व्यवहार में यह कैसे काम करता है

शोधकर्ताओं ने इस विचार का परीक्षण कुछ कठिन कार्यों पर किया। इनमें से एक सबसे कठिन कार्य "पुट बैक ब्लॉक" (Put Back Block) था। कल्पना कीजिए कि एक रोबलेट को एक स्थान पर ब्लॉक ले जाना है, फिर एक अन्य वस्तु को हटाना है, और अंत में ब्लॉक को उसी मूल स्थान पर वापस रखना है। समस्या क्या है? जब तक रोबोट ब्लॉक को वापस रखने के लिए तैयार होता है, तब तक मूल स्थान नई वस्तु द्वारा कैमरे से छिपा हुआ हो सकता है। एक सामान्य रोबोट क्या करेगा? वह कैमरे की ओर देखेगा, कुछ भी नहीं देखेगा, और भ्रमित हो जाएगा। वह भूल जाएगा कि वह स्थान कहाँ था।

हालाँकि, ChainVLA अपने "स्टोरी" हिस्से का उपयोग यह याद रखने के लिए करता है, "हे, मैंने वह ब्लॉक पहले वहाँ रखा था, भले ही मैं अब उसे देख नहीं पा रहा हूँ।" साथ ही, इसका "मोशन टेल" हिस्सा यह सुनिश्चित करता है कि जब वह ब्लॉक वापस रखने के लिए चलता है, तो वह अपनी भुजा को किसी अजीब, नए दिशा में झटके से न घुमाए जो उस दिशा से टकराती हो जहाँ उसकी भुजा अभी इशारा कर रही थी।

इसके परिणाम काफी नाटकीय थे। RMBench नामक एक कठिन परीक्षण पर, ChainVLA 62.8% बार सफल रहा। अन्य स्मार्ट रोबोटों से तुलना करें:

यदि आप "स्टोरी" (प्रोग्रेस कॉन्टेक्स्ट) को हटा देते हैं, तो सफलता दर गिरकर 3.0% रह जाती है। रोबोट कार्य को पूरी तरह से भूल जाता है।
यदि आप "मोशन टेल" को हटा देते हैं, तो सफलता दर गिरकर 11.2% हो जाती है। रोबोट कार्य को तो याद रखता है लेकिन इतनी अनाड़ी तरह से चलता है कि वह विफल हो जाता है।

यह दर्शाता है कि दोनों हिस्से आवश्यक हैं। "स्टोरी" रोबोट को बताती है कि क्या करना है, और "मोशन टेल" इसे बिना लड़खड़ाए सुचारू रूप से करने में मदद करती है।

यह क्यों महत्वपूर्ण है

पेपर सुझाव देता है कि "अधूरे मोशन" को जीवित रखना वास्तव में कार्य को याद रखने के लिए महत्वपूर्ण है। यह एक नृत्य की तरह है: यदि आप चरणों के बीच में नृत्य करना पूरी तरह से बंद कर देते हैं, तो आप लय भूल सकते हैं। लेकिन यदि आप लय को जारी रखते हैं (मोशन टेल), तो आपका मस्तिष्क कोरियोग्राफी (प्रोग्रेस कॉन्टेक्स्ट) को बेहतर ढंग से याद रखने में सक्षम होता है।

जब शोधकर्ताओं ने रोबोट की अनाड़ीपन को ठीक करने के लिए केवल उन चालों को स्मूथ करने की कोशिश की जो रोबोट ने पहले ही तय कर ली थीं (जो अन्य रोबोटों में एक सामान्य तकनीक है), तो यह काम नहीं आया। रोबोट फिर भी विफल रहा। यह साबित करता है कि रहस्य केवल चालों को सुंदर दिखाने के बारे में नहीं है; यह अगली चाल के विचार को नया निर्णय लेने से पहले रोबोट के मस्तिष्क में फीड करने के बारे में है।

संक्षेप में, ChainVLA सुझाव देता है कि लंबे, जटिल कार्यों को संभालने के लिए, रोबोटों को केवल फोटो खींचने वाले कैमरे की तरह नहीं, बल्कि एक ऐसे कहानीकार की तरह होना चाहिए जो किताब में अपनी जगह कभी नहीं खोता, और साथ ही संगीत की ताल पर अपने पैर चलते रहने चाहिए। यह उन रोबोटों की ओर एक छोटा सा कदम है जो वास्तविक जीवन के बिखरे हुए, बहु-चरणीय कार्यों में हमें बिना भ्रमित हुए या सब कुछ गिराए बिना वास्तव में मदद कर सकें।

तकनीकी सारांश: ChainVLA

समस्या विवरण

लंबे समय तक चलने वाले (long-horizon) रोबोटिक हेरफेर के लिए एक निरंतर निष्पादन प्रवाह (execution flow) की आवश्यकता होती है जहाँ निर्णय पिछले कार्यों द्वारा स्थापित कार्य प्रगति (task progress) और वर्तमान में चल रहे कार्यों के गति निरंतरता (motion continuation) दोनों पर निर्भर करते हैं। मौजूदा विजन-लैंग्वेज-एक्शन (VLA) नीतियां आमतौर पर एक एक्शन-चंक्ड, रिसिंग-होरिज़न (receding-horizon) शासन में काम करती हैं। इस डिज़ाइन में, नीति वर्तमान अवलोकन, प्रोप्रियोसेप्टिव अवस्था और निर्देश से बार-बार पुन: योजना (replan) बनाती है, एक सीमित एक्शन होराइज़न का अनुमान लगाती है, एक सख्त प्रीफ़िक्स को निष्पादित करती है, और फिर शेष भाग को त्याग देती है।

यह डिज़ाइन दो स्तरों पर एक अपूर्ण क्रॉस-क्वेरी हैंडऑफ़ (cross-query handoff) बनाता है:

कार्य स्तर (Task Level): पहले के कार्य साक्ष्य (जैसे, एक पूर्ण उप-कार्य या किसी वस्तु का प्रारंभिक लेआउट) वर्तमान अवलोकन क्षेत्र को छोड़ सकते हैं। इन घटनाओं की स्पष्ट स्मृति (memory) के बिना, नीति सही अगले चरण का अनुमान नहीं लगा सकती है जब वर्तमान दृश्य अस्पष्ट हो (जैसे, RMBench में "Put Back Block" कार्य)।
गति स्तर (Motion Level): पुन: योजना (replanning) पिछले अनुमान के निष्पादित न हुए निरंतर भाग (unexecuted continuation) को त्याग देती है। इससे नया अनुमानित प्रीफ़िक्स वर्तमान में चल रही गति के साथ असंगत हो सकता है, जिससे पोज़ (pose) और वेग (velocity) में विच्छिन्नता (discontinuities) पैदा होती है। चूंकि निष्पादित गति अगले क्वेरी के लिए उपयोग किए जाने वाले अवलोकन स्ट्रीम को आकार देती है, इसलिए ये विच्छिन्नताएं भविष्य के कार्य-प्रगति अनुमान के लिए उपयोग किए जाने वाले अवलोकनों की गुणवत्ता को कम करती हैं।

मौजूदा समाधान इन मुद्दों को अलग-अलग संबोधित करते हैं: मेमोरी-ऑगमेंटेड नीतियां कार्य इतिहास को बनाए रखती हैं लेकिन गति निरंतरता को त्याग देती हैं, जबकि टेम्पोरल एनसेम्बलिंग (temporal ensembling) या रियल-टाइम निष्पादन गति को सुरक्षित रखता है लेकिन दीर्घकालिक कार्य साक्ष्य की कमी होती है।

कार्यप्रणाली: ChainVLA

ChainVLA एक 1.2B-पैरामीटर वाली VLA नीति है जिसे एक संयुक्त और परिवर्तनीय निष्पादन अवस्था (joint and revisable execution state) ( $s_k = (g_k, u_k)$ ) के माध्यम से क्रमिक प्रश्नों को जोड़ने के लिए डिज़ाइन किया गया है। इस अवस्था को क्वेरी सीमाओं के पार बनाए रखा जाता है, जिससे नीति नवीनतम अवलोकन के तहत एक्शन होराइज़न को पुन: उत्पन्न करने में सक्षम होती है जबकि आवश्यक संदर्भ को बनाए रखती है।

1. निष्पादन अवस्था (The Execution State)

अवस्था में दो पूरक घटक शामिल हैं:

प्रगति संदर्भ (Progress Context - $g_k$ ): अवलोकन-व्युत्पन्न कार्य प्रगति को वहन करता है। यह निम्नलिखित का मिश्रण है:
- वर्किंग स्टेट (Working State): वर्तमान निष्पादन का एक आवर्ती सारांश (recurrent summary), जिसे वर्तमान इनपुट से लाइव टोकन और हाल के टोकन के एक सीमित कैश का उपयोग करके हर क्वेरी पर अपडेट किया जाता है।
- स्पार्स इवेंट मेमोरी (Sparse Event Memory): महत्वपूर्ण मील के पत्थरों (जैसे, स्टेज ट्रांज़िशन) की एक पुनर्प्राप्त करने योग्य स्मृति। इवेंट्स को स्टेज एनोटेशन या आवधिक नियमों के आधार पर लिखा जाता है और वर्तमान निष्पादन अनुमान और आयु एन्कोडिंग पर आधारित एक क्वेरी का उपयोग करके पुनर्प्राप्त किया जाता है।
मोशन टेल (Motion Tail - $u_k$ ): पिछले अनुमान के निष्पादित न हुए सफिक्स (suffix) को वहन करता है। यह घटक निष्पादित प्रीफ़िक्स और अगली क्वेरी के बीच के अंतर को पाटता है, जो अधूरे मोशन के लिए एक "कंटिन्यूएशन प्रायर" (continuation prior) प्रदान करता है।

2. क्वेरी ट्रांज़िशन और आर्किटेक्चर

प्रत्येक क्वेरी $k$ पर, नीति वर्तमान इनपुट $x_k$ और ले जाए गए स्टेट $s_k$ को प्राप्त करती है।

स्टेट अपडेट: एनकोडर $x_k$ को मल्टीमॉडल टोकन में प्रोसेस करता है। एक सीखा हुआ वर्किंग-क्वेरी बैंक इन टोकन और पिछले वर्किंग स्टेट पर ध्यान केंद्रित (attend) करता है ताकि लाइव टोकन ( $L_k$ ) और एक सारांश ( $\bar{W}_k$ ) बनाया जा सके। सारांश स्पार्स इवेंट मेमोरी से इवेंट साक्ष्य ( $Z^e_k$ ) को पुनर्प्राप्त करता है।
प्रगति संदर्भ निर्माण: $g_k$ को $L_k$ और $Z^e_k$ को फ्यूज करके बनाया जाता है।
मोशन टेल इंटीग्रेशन: आने वाला मोशन टेल ( $u_k$ ) वर्किंग स्टेट को कंडीशन करता है और एक्शन जनरेशन प्रक्रिया को इनिशियलाइज़ करता है। विशेष रूप से, यह पूर्ण-होराइज़न एक्शन रिप्रेजेंटेशन के साथ नॉर्मलाइज्ड सफिक्स को अलाइन करता है ताकि डिकोडर के स्टेट का प्रारंभिक माध्य ( $\mu_{k+1}$ ) सेट किया जा सके।
एक्शन जनरेशन: एक कंडीशनल-फ्लो डिकोडर (DiT बैकबोन) $x_k, g_k,$ और $u_k$ पर आधारित पूर्ण एक्शन होराइज़न $A_k$ को पुन: उत्पन्न करता है। महत्वपूर्ण रूप से, डिकोडर किसी भी होराइज़न पोजीशन की कॉपी या फ्रीज नहीं करता है; यह नवीनतम अवलोकन के आधार पर प्रत्येक स्थिति को पुन: उत्पन्न करता है, यह सुनिश्चित करता है कि ले जाया गया स्टेट एक निश्चित योजना के बजाय एक परिवर्तनीय प्रायर (revisable prior) के रूप में कार्य करे।
अगला स्टेट: प्रीफ़िक्स को निष्पादित करने के बाद, $A_k$ का निष्पादित न हुआ सफिक्स अगली क्वेरी के लिए मोशन टेल ( $u_{k+1}$ ) बन जाता है।

3. प्रशिक्षण (Training)

प्रशिक्षण एपिसोड के क्रम में निष्पादन-अवस्था संक्रमण (execution-state transition) को अनरोल करता है। मॉडल को निम्नलिखित द्वारा सुपरवाइज किया जाता है:

मानक कंडीशनल-फ्लो एक्शन ऑब्जेक्टिव्स।
स्टेज सुपरविजन (जहाँ एनोटेशन मौजूद हैं) स्टेज अनुमान और राइट टारगेट्स के लिए।
एक ओवरलैप-कंसिस्टेंसी रेगुलराइज़र (overlap-consistency regularizer) जो क्रमिक अनुमानित होराइज़न्स के टेम्पोरली अलाइन्ड ओवरलैप के बीच असहमति को दंडित करता है, जिससे नए होराइज़न में एक्शन को फिक्स किए बिना एक सुसंगत हैंडऑफ़ को बढ़ावा मिलता है।

मुख्य योगदान

क्रॉस-क्वेरी स्टेट घटकों की पहचान: यह पेपर कार्य प्रगति और अधूरे मोशन को क्रॉस-क्वेरी निष्पादन अवस्था के दो पूरक, असममित घटकों के रूप में पहचानता है। एब्लेशन अध्ययन दिखाते हैं कि किसी भी एक घटक को हटाने से प्रदर्शन में भारी गिरावट आती है, और उनकी परस्पर क्रिया यह सुझाव देती है कि मोशन निरंतरता, कार्य-प्रगति अनुमान के लिए आवश्यक अवलोकन स्ट्रीम को बनाए रखने के लिए आवश्यक है।
ChainVLA पॉलिसी: एक 1.2B-पैरामीटर वाली पॉलिसी जो प्रोग्रेस कॉन्टेक्स्ट और मोशन टेल के संयुक्त स्टेट के माध्यम से क्वेरीज़ को जोड़ती है। पिछले कार्यों के विपरीत, यह नवीनतम अवलोकन के तहत प्रत्येक होराइज़न को पुन: उत्पन्न करती है जबकि पिछले अनुमान से प्राप्त एक परिवर्तनीय प्रायर को बनाए रखती है।
अनुभवजन्य सत्यापन (Empirical Validation): RMBench और LIBERO सूट्स पर व्यापक मूल्यांकन यह प्रदर्शित करता है कि ChainVLA मौजूदा मेमोरी-ऑगमेंटेड और एक्शन-चंक्ड बेसलाइन्स से बेहतर प्रदर्शन करता है।

परिणाम

RMBench: ChainVLA पांच मेमोरी-डिपेंडेंट कार्यों में 62.8% औसत सफलता दर प्राप्त करता है। यह पूर्ण कवरेज वाले सबसे मजबूत सूचीबद्ध मेथड (Mem-0 @ 52.8%) से काफी बेहतर है, और "Put Back Block" कार्य (Mem-0 के 90% के मुकाबले 96%) पर विशेष रूप से प्रभावी है, जहाँ कार्य साक्ष्य दृश्य से बाहर चला जाता है।
LIBERO: पॉलिसी चार सूट्स (Spatial, Object, Goal, Long) में 98.8% औसत सफलता प्राप्त करती है, जिसमें सभी सूट्स 98% से अधिक सफलता प्राप्त करते हैं।
एब्लेशन अध्ययन (Ablation Studies):
- प्रोग्रेस कॉन्टेक्स्ट को हटाने से RMBench सफलता घटकर 3.0% रह जाती है।
- मोशन टेल को हटाने से RMBach सफलता घटकर 11.2% रह जाती है।
- ले जाए गए स्टेट को ऑब्जर्वेशन हिस्ट्री और पोस्ट-डिकोडिंग टेम्पोरल एनसेम्बलिंग (FIFO Hist. + TE) से बदलने पर केवल 35.6% सफलता मिलती है।
- पोस्ट-डिकोडिंग स्मूथिंग कंट्रोल्स (Linear Continuation, Temporal Ensemble) बाउंड्री डिस्कंटीन्यूइटी को कम करते हैं लेकिन कार्य सफलता को वापस पाने में विफल रहते हैं, जो यह दर्शाता है कि लाभ केवल स्मूथ निष्पादन से नहीं, बल्कि जनरेशन प्रक्रिया के मॉडल-साइड कंडीशनिंग से आता है।

महत्व

पेपर का दावा है कि ChainVLA लंबे समय तक चलने वाले हेरफेर (long-horizon manipulation) में एक मौलिक अंतर को संबोधित करता है: दीर्घकालिक कार्य साक्ष्य और अल्पकालिक गति निरंतरता दोनों को एक साथ संभालने के लिए एक एकीकृत तंत्र की कमी। परिणाम बताते हैं कि मोशन निरंतरता केवल एक नियंत्रण उद्देश्य नहीं है बल्कि विश्वसनीय कार्य-प्रगति अनुमान के लिए एक पूर्व शर्त है, क्योंकि विच्छिन्न गति अवलोकन स्ट्रीम को इस तरह बदल देती है जो मेमोरी रिट्रीवल को खराब करती है। एक संयुक्त, परिवर्तनीय स्टेट के माध्यम से क्वेरीज़ को जोड़कर, ChainVLA नीतियों को अलग प्लानर्स या वर्ल्ड मॉडल्स की आवश्यकता के बिना लंबे होराइज़न पर सुसंगतता बनाए रखने में सक्षम बनाता है।