في عالم الذكاء الاصطناعي، يظهر التنافس في تطوير نماذج فعالة لطبيعة المهام المتعددة. ومن بين هذه النماذج، يُعتبر نظام VISUALTHINK-VLA من أبرز الابتكارات، حيث يجمع بين رؤية اللغة والإجراءات (Vision-Language-Action) مع التفكير البصري كأداة مركزية.

تتعدد فوائد هذا النظام من حيث الأداء وسرعة الاستجابة، فمن خلال تبني فلسفة توجيه العمل عبر التفكير البصري الفعال، يتمكن VISUALTHINK-VLA من تقديم واجهة بصرية مضغوطة لتحقيق توقعات حركة دقيقة دون أي تأخير إضافي في عملية فك الشيفرة.

ويقوم النظام أيضًا باعتماد آلية توجيه انتقائية مصممة خصيصًا لتعزيز التعلم من الرموز البصرية، مما يتيح استنتاجات منخفضة التأخير مع الحفاظ على تخصص عالي الكفاءة.

بالإضافة إلى ذلك، تم تطوير مجموعة أدوات VisualEvidence-Kit التي تركز على توفير الموارد للإشراف والتدقيق، عبر وكيل يقدم مجموعة تعليمات VLA تبلغ 754.7 ألفًا، لمراقبة الطرق واختبارات الإيمان المضاد.

في تجارب على مقاييس متعددة وتقييمات حقيقية للروبوتات، أثبت VISUALTHINK-VLA نجاحه بنسبة أكبر من معظم المعايير، حيث تم تقليل زمن الاستجابة من ثواني متعددة إلى أقل من ثانية واحدة، مما يجعله منافسًا قويًا في مجاله. على سبيل المثال، في اختبار BridgeData V2، استطاع تقليل زمن الخطوة من 8.377 ثانية إلى 0.367 ثانية، محققًا تسريعًا بمعدل 22.8 مرة.