تُعتبر المختبرات العلمية من الفضاءات التي تعتمد بشكل متزايد على أنظمة الذكاء الاصطناعي (AI) في تحليل التجارب واستخلاص النتائج، إلا أن التنفيذ الفعلي للتجارب العلمية غالباً ما يبقى خارج نطاق هذه الأنظمة. يأتي هنا دور نماذج Vision-Language-Action (VLA)، حيث تعمل كنقطة تواصل بين البروتوكولات المكتوبة وتنفيذها بواسطة الروبوتات. ومع ذلك، فإن معظم السياسات الحالية تم تدريبها استناداً إلى تجارب منزلية وتطبيقات غير مختبرية، مما يجعل من الصعب تطبيقها في المختبرات العلمية التي تتطلب أدوات محددة وسوائل شفافة وتدفقات عمل ثابتة.

في إطار سعيها لسد هذه الفجوة، تم تحديد البيانات وتجسيد الروبوت كعقبات رئيسية بجانب تصميم النموذج. ومن أجل تحسين البيانات، تم تطوير RoboGenesis، وهو محرك بيانات يعتمد على محاكاة قادرة على تأليف تدفقات عمل مخبرية مركبة من مهارات أساسية، مما يسمح بالتحقق من الصياغات وتصفيتها، وتصدير عروض منظمة عبر ملفات تعريف الروبوت المدعومة.

على جانب السياسات، تم تقديم نموذج LabVLA، الذي تم تدريبه باستخدام وصفة من مرحلتين: حيث تتم عملية تدريب أولي لأجزاء من نموذج Qwen3-VL-4B-Instruct، مما يجعله قادراً على التعرف على الأفعال قبل أن يتعلم التحكم المستمر، وبعد ذلك يتم توصيل خبير الأفعال تحت عزل المعرفة.

على معيار LabUtopia، تمكن LabVLA من تحقيق أعلى معدل نجاح متوسط بين جميع النماذج المعتمدة، مما يجعله الخيار الأمثل للتطبيق في الظروف النقدية داخل المختبرات.