โมเดล Vision-Language-Action (VLA) ทั่วไปมักมีปัญหาในการทำงานบนชุดข้อมูล LIBERO-PRO ที่ซับซ้อน เช่น เมื่อวัตถุมีการเคลื่อนที่หรือคำสั่งเปลี่ยนไป นักวิจัยเชื่อว่าปัญหาไม่ได้อยู่ที่ขนาดของโมเดล แต่เป็นการขาดการแยกส่วนระหว่างสิ่งที่ต้องทำและตำแหน่งของวัตถุ รวมถึงการผูกมัดกับสภาพแวดล้อมและคำสั่งเดิม
RageVLA (Robust Augmentation and Grounded Encoding) แก้ปัญหานี้โดยการแยกส่วนในสองจุดหลัก: หนึ่งคือการเตรียมข้อมูล โดยใช้การสาธิตจาก LIBERO มาจัดเรียงใหม่ด้วยกฎทั่วไป เช่น การย้ายและหมุนวัตถุ การย้ายงานไปยังสภาพแวดล้อมอื่น และการถอดความคำสั่ง สองคือในนโยบายของโมเดลเอง โดยมีเอนจินการรับรู้ที่ใช้คุณสมบัติจาก DINOv3 ซึ่งฝึกบนข้อมูลที่เสริมเข้ามานี้ เพื่อส่งข้อมูลฉากในรูปแบบที่แยกส่วนไปยังโมเดลการกระทำ ซึ่งประกอบด้วยรายการวัตถุพร้อมตำแหน่งและโค้ดที่กะทัดรัดของสิ่งที่ปลายแขนหุ่นยนต์กำลังมองอยู่ ควบคู่ไปกับ embeddings ของรูปภาพและคำสั่งจาก TinyCLIP จากนั้น diffusion transformer ที่ใช้ flow-matching ซึ่งฝึกจากศูนย์ จะทำหน้าที่ตัดสินใจในการกระทำ
ด้วยพารามิเตอร์ 0.21 พันล้านตัว RageVLA ทำคะแนนได้ 0.72 บน LIBERO-PRO ซึ่งเหนือกว่าโมเดลที่ตีพิมพ์แล้วที่ทำได้ 0.53 และรุ่นที่ใหญ่กว่ายังสามารถทำได้ถึง 0.73 การทดสอบเพิ่มเติมบน LIBERO-Object ยังแสดงให้เห็นว่านโยบายนี้ทำงานตามสิ่งที่มันรับรู้ โดยความสำเร็จลดลงอย่างมากเมื่อตำแหน่งวัตถุที่ให้กับโมเดลถูกสลับ แต่ยังคงทำงานได้ดีเมื่อวัตถุเป้าหมายถูกย้ายตำแหน่ง แสดงให้เห็นถึงความทนทานของโมเดล