งานวิจัยนี้ทำการสำรวจและวิเคราะห์ตัวตรวจสอบนโยบายการทำงานของหุ่นยนต์ (Verifiers) ประมาณ 150 รูปแบบ ซึ่งเป็นเครื่องมือสำคัญที่ใช้ทั้งในการประเมินผลและฝึกฝนโมเดลประเภท Vision-Language-Action (VLA) โดยผู้วิจัยได้จำแนกตัวตรวจสอบออกเป็น 4 กลุ่มหลัก ได้แก่ ตัวตรวจสอบโดยมนุษย์, แบบใช้กฎเกณฑ์ (Rule-based), แบบที่ฝึกฝนมาล่วงหน้า (Pretrained) และแบบที่ฝังอยู่ในตัวโมเดลเอง (Model-intrinsic)
ผลการศึกษาพบความสัมพันธ์ที่สำคัญคือ 'No Free Checker' ซึ่งหมายถึงการที่ความน่าเชื่อถือ (Credibility) ของตัวตรวจสอบมักจะลดลงเมื่อความสะดวกในการเข้าถึงข้อมูล (Availability) เพิ่มขึ้น เช่น ตัวตรวจสอบที่ให้คะแนนได้รวดเร็วและราคาถูกมักจะถูกหลอกได้ง่ายด้วยพฤติกรรม Reward Hacking นอกจากนี้ งานวิจัยยังได้เสนอตัวชี้วัด 9 ประการเพื่อช่วยให้การประเมินตัวตรวจสอบมีความชัดเจนและตรวจสอบได้จริงในอนาคต
