أصبحت النماذج اللغوية المرئية (Vision-language models) واحدة من العناصر الأساسية في مجال الذكاء الاصطناعي، إلا أنها تواجه تحدياً كبيراً في تعميم الفهم الفيزيائي خاصة في ظل المهام والبيئات غير المعروفة. يشير الخبراء إلى وجود نمطين أساسيين من الفشل: الأول هو حالة "التفكير المتخيل" (hallucinated chain-of-thought) التي تتعارض مع الواقع الفيزيائي، والثاني هو عدم التوافق بين تفكير النموذج وسلوكياته.

في ضوء هذه التحديات، تم تقديم تقنية جديدة تُعرف باسم VAORA (Visual Action Outcome Reasoning Alignment) وهي تصميم مبتكر لمكافآت تعالج هذه المشكلات بشكل مباشر. تشمل VAORA نوعين من المكافآت المتكاملة:

1. **مكافأة التوافق البصري** (Visual Alignment Reward) - حيث تعمل على ربط تفكير النموذج بالسياق البصري بعيداً عن الفعل الذي يقوم به الوكيل.
2. **مكافأة التوافق بين العمل والنتيجة البصرية** (Visual-Action Alignment Reward) - التي تؤسس التفكير في النتيجة البصرية الناتجة عن فعل النموذج.

تساعد هذه المكافآت مجتمعةً على تقليل حالات التفكير المتخيل وتوفير توازن أكبر بين التفكير والسلوك. لتعزيز استقرار التدريب، تم استخدام مكافآت سلسة ووفيرة عبر تقدير احتمالات النجاح باستخدام وكيل خبير مُدرّب مسبقاً.

أظهرت التجارب التي أجريت على مجموعات بيانات مثل PHYRE وVirtual Tool نتائج مثيرة، مما أكد إمكانية تحفيز الذكاء الفيزيائي القائم والمُعمم من خلال تقنية VAORA الجديدة. يبدو أن هذه التقنية قد تعيد تشكيل الطريقة التي يتفاعل بها الذكاء الاصطناعي مع العالم الفيزيائي، وهذا يمهد الطريق لابتكارات مستقبلية تدفع بحدود ما يمكن أن يحققه الذكاء الاصطناعي.