في عالم الذكاء الاصطناعي، شهدت نماذج التصوير اللغوي للعمل (Vision Language Action - VLA) تقدماً ملحوظاً في مهام تحريك الروبوتات من خلال توجيهها بلغة طبيعية. ومع ذلك، تعاني هذه النماذج من مشكلتين رئيسيتين: أولاً، إنتاج عدد كبير جداً من الرموز، مما يؤدي إلى زيادة زمن الاستدلال وتكاليف التدريب. ثانياً، الاستفادة غير الكافية من الإجراءات المتولدة، مما يتسبب في فقدان محتمل للأداء.

لمعالجة هذه التحديات، تم تطوير إطار تدريب متقدم يقوم بضبط نماذج VLA لتوليد عدد أقل من رموز الإجراءات مع تحسين كبير في القدرة على المعالجة بالتوازي. هذا يقلل من زمن الاستدلال وتكاليف التدريب بشكل فعال. بالإضافة إلى ذلك، نقدم تقنية تحسين الاستدلال مع استراتيجية جديدة تعتمد على التصويت المتجمع (Ensemble Voting)، حيث تجمع بين توقعات الإجراءات الحالية والسابقة، مما يحسن من الاستخدام العام للإجراءات المتولدة ويعزز الأداء العام.

تظهر نتائجنا أننا حققنا أداءً متفوقاً مقارنةً بأفضل نماذج VLA المتاحة، حيث حصلنا على معدلات نجاح أعلى بـ 39 مرة من نموذج OpenVLA، مع معدل قدرته على معالجة 46 مرة في الثانية على منصات الحافة، مما يثبت إمكانية تطبيقها عمليا. الكود متاح على رابط الكود.