تعتبر المهارات القابلة لإعادة الاستخدام واحدة من اللبنات الأساسية التي من خلالها يستطيع الوكلاء المتجسدون تحويل التعليمات المفتوحة إلى سلوكيات مادية معقدة وطويلة الأمد. رغم أن نماذج القاعدة (Foundation Models) قد أدت إلى تقليل تكاليف إنشاء هذه المهارات، إلا أن تكلفة الثقة بها لا تزال تشكل تحديًا.

تسعى الأساليب التقليدية لتطوير المهارات إلى تحسينها من خلال التغذية الراجعة من التنفيذ، أو الاختبارات الوحدوية، أو المكافآت البيئية، أو حتى النقد الذاتي لنماذج اللغات الكبيرة (LLM). ولكن المشكلة تكمن في أن هذه الإشارات تقدم أدلة سطحية فقط، حيث تظهر أن المهارة عملت في تنفيذات معينة دون أن تضمن أن الخطط الناتجة عنها تفي بعقود الأمان الزمني في ظروف جديدة لم يتم اختبارها.

هنا تأتي VASO لتقدم حلاً مبتكرًا: إطار عمل للتحقق الموجه بتطور الذاتية لعقود المهارات للروبوتات التي تولدها نماذج اللغات الكبيرة. في VASO، يتم تمثيل كل مهارة كعقد دلالي يتضمن واجهتين مترابطتين: واجهة رسمية تقوم بمحاذاة حالات الروبوت، والملاحظات، وأوامر التحكم مع مقترحات منطقية لفحص النموذج، وواجهة موجهة للمخطط توجيه السلوك القابل للتنفيذ.

يستخدم فاحص النموذج (Model Checker) أولاً لتصفية العقود المهارية التي تحتوي على تناقضات منطقية، ثم يتحقق من الخطط المستندة إلى المهارة وفقًا لمواصفات زمنية عالمية ومحلية. عندما يفشل التحقق، يقوم VASO بتحويل مثال العكس إلى تدرج نصي يقوم بتحديث عقد المهارة القابلة لإعادة الاستخدام مع إبقاء أوزان نموذج القاعدة ثابتة.

عند تطبيق VASO على مهام Clearpath Jackal وطائرات PX4 الرباعية، حقق نجاحًا يضمن التوافق مع المواصفات الرسمية بنسبة 97.2% باستخدام أقل من 100 عينة تحسين، متفوقًا بذلك على طرق التغذية الراجعة التنفيذية، وتحسين التوجيه، وتعديل الأوزان.

لأول مرة، يغلق VASO الحلقة بين التحقق الرسمي وتطور المهارات الذاتية للروبوتات الذكية، حيث تتحول الأمثلة العكسية الرسمية إلى تغذية راجعة لتحسين عقود المهارات القابلة لإعادة الاستخدام، بدلاً من مجرد التحقق من الخطط الفردية أو ضبط موجهات المخطط.