แม้ว่าโมเดล Vision-Language-Action (VLA) จะมีความสามารถสูง แต่จุดอ่อนสำคัญคือการปรับตัวเข้ากับสภาพแวดล้อมใหม่ที่ทำได้ยากและต้องการการสาธิตจำนวนมหาศาล Agentic-VLA จึงถูกพัฒนาขึ้นเพื่อแก้ปัญหานี้โดยเฉพาะ
หัวใจสำคัญของ Agentic-VLA ประกอบด้วย 3 ส่วนหลัก: 1) Adaptive Reward Synthesis ที่สร้างฟังก์ชันรางวัลตามความซับซ้อนของงาน 2) Language-Guided Exploration ที่ใช้โมเดล Critic ช่วยแนะนำการสำรวจอย่างเป็นระบบ และ 3) Experience Memory ที่เก็บรวบรวมน้ำหนักของนโยบาย (Policy weights) ที่เกี่ยวข้องเพื่อเริ่มงานใหม่ได้ทันที (Warm-starting)
ผลการทดสอบบน LIBERO benchmark พบว่า Agentic-VLA ปรับปรุงประสิทธิภาพในงานที่มีระยะเวลายาว (Long-horizon tasks) ขึ้น 12.3% และช่วยให้เกิดการเรียนรู้แบบ One-shot ได้ดีขึ้นถึง 28.5% นอกจากนี้ยังสามารถเริ่มงานข้ามประเภทได้โดยไม่ต้องมีข้อมูลสอนเฉพาะเจาะจง (Zero-shot to transfer) และประมวลผลได้เร็วกว่าวิธีเดิมถึง 2.4 เท่า
