연구진은 Vision-Language-Action(VLA) 모델의 일반화 성능 저하 원인이 액션 생성뿐 아니라 액션 평가에 있음을 밝혀냈습니다.
SVA(Search, Value, and Act) 프레임워크는 몬테카를로 트리 탐색을 통해 다양한 경로를 수집하고, 이를 Q-value 모델에 증류하여 액션의 예상 결과를 예측합니다.
SVA는 액션 제안과 결과 평가를 분리하여 VLA의 일반화 능력을 유지하면서 작업 성공률을 향상시키며, 9B VLA가 27B VLA보다 더 나은 성능을 보이도록 합니다.