చిన్న VLA మోడల్స్: TinyVLA, SmolVLA మరియు సబ్-1B కేస్

దాదాపు ప్రతి విజన్-లాంగ్వేజ్-యాక్షన్ మోడల్ గురించి వ్రాయబడిన ప్రతిదీ డేటాసెంటర్ కార్డ్‌ను ఊహిస్తుంది. OpenVLA 7 బిలియన్ పారామీటర్లు. GR00T N1.7 మరియు Pi0.5 సుమారు 3 బిలియన్ పారామీటర్లు కలిగి ఉన్నాయి మరియు ఫైన్-ట్యూన్ చేయడానికి A100 80 GB అవసరం. మీ డెస్క్‌పై ఉన్న కార్డ్ 4090 అయితే, ఆ తరగతి మోడల్ అందుబాటులో ఉండదు.

రెండు పత్రాలు దీని అవసరం లేదని వాదిస్తున్నాయి. TinyVLA (arXiv 2409.12514, ఫిబ్రవరి 2025లో IEEE రోబోటిక్స్ అండ్ ఆటోమేషన్ లెటర్స్ ద్వారా ఆమోదించబడింది) 400 M నుండి 1.3 B బ్యాక్‌బోన్ మరియు డిఫ్యూజన్ యాక్షన్ హెడ్‌తో VLAను నిర్మిస్తుంది. SmolVLA (arXiv 2506.01844, 2 జూన్ 2025న సమర్పించబడింది) ఓపెన్ వెయిట్స్, ఓపెన్ డేటా మరియు ఒక కన్స్యూమర్ కార్డ్‌లో నడిచే స్క్రిప్ట్‌తో 450 M పారామీటర్లను అందిస్తుంది. ఇక్కడ రెండూ కొలిచినవి, మరియు సబ్-1 బిలియన్ వాదన ఎక్కడ నిలిచిపోతుందో చూడండి.

చిన్న VLAగా వాస్తవానికి ఏమి పరిగణించబడుతుంది

ఒక మోడల్ కార్డ్‌లోని పారామీటర్ల సంఖ్య ఒకే సంఖ్య కాదు. ఇది మొత్తం వెయిట్‌లు, ఇన్‌ఫరెన్స్ సమయంలో లోడ్ చేయబడిన వెయిట్‌లు లేదా గ్రేడియెంట్‌లను స్వీకరించే వెయిట్‌లను సూచించవచ్చు . TinyVLA రెండింటినీ నివేదిస్తుంది, మరియు వ్యత్యాసం చాలా పెద్దది: TinyVLA-H మొత్తం 1.3 B కానీ 143 M శిక్షణ ఇవ్వదగినది, ఎందుకంటే విజన్ టవర్ మరియు చాలా వరకు లాంగ్వేజ్ మోడల్ స్తంభింపజేయబడి ఉంటాయి, అయితే LoRA అడాప్టర్‌లు మరియు యాక్షన్ హెడ్ కదులుతాయి. ఈ పత్రం శిక్షణ ఇవ్వదగిన వాటాను సుమారు 5 శాతం వద్ద ఉంచుతుంది.

రెండు వరుసల గురించి చర్చించదగినవి. సుమారు 80 M వద్ద ఇక్కడ ఉన్న మిగిలిన వాటి కంటే చిన్నది కానీ లాంగ్వేజ్ మోడల్ లేదు, కాబట్టి ఇది VLA కాదు: ఇది ఒక పనిని నేర్చుకుంటుంది మరియు మరొకటి చేయమని చెప్పబడదు. 27 M వద్ద T5-Base టెక్స్ట్ ఎన్‌కోడర్ ద్వారా కండిషన్ చేయబడింది, LLM బ్యాక్‌బోన్ ద్వారా కాదు. మంచి బేస్‌లైన్‌లు, లేబుల్ సూచించిన సూచనలను రెండూ ఇవ్వవు.

TinyVLA: వేగం హెడ్ నుండి వస్తుంది, బ్యాక్‌బోన్ నుండి కాదు

స్పష్టమైన అవగాహన ఏమిటంటే, వారు లాంగ్వేజ్ మోడల్‌ను చిన్నదిగా చేయడంతో అది వేగవంతమైంది. అయితే, పేపర్ యొక్క అబ్లేషన్ దీనికి విరుద్ధంగా చెబుతుంది. OpenVLA యొక్క 7 B బ్యాక్‌బోన్‌ను సుమారు 1 B బ్యాక్‌బోన్‌తో మార్చడం వలన ప్రతి-చర్య అంచనా 292 ms నుండి 140 msకి తగ్గింది, ఇది 2x లాభం. TinyVLA-H, పోల్చదగిన పారామీటర్ కౌంట్‌తో, అదే కార్డ్‌లో 14 ms వద్ద నడుస్తుంది. మిగిలిన 10x యాక్షన్ హెడ్.

OpenVLA లాంగ్వేజ్ మోడల్ హెడ్ ద్వారా, ప్రతి యాక్షన్ డైమెన్షన్‌కు ఒకటి చొప్పున, ఆటోరెగ్రెసివ్‌గా డిస్క్రిటైజ్ చేయబడిన టోకెన్‌లుగా చర్యలను విడుదల చేస్తుంది. TinyVLA ఒక డిఫ్యూజన్ డీకోడర్‌ను జతచేస్తుంది, అది మొత్తం భాగాన్ని ఒకేసారి ఉత్పత్తి చేస్తుంది. టేబుల్ V TinyVLA-H వద్ద ఆర్కిటెక్చర్‌ను కలిగి ఉంది మరియు అదే ఐదు నిజ-రోబోట్ పనులపై హెడ్‌ను మాత్రమే మారుస్తుంది. ఇది రెండు పేపర్లలోనూ వాదనకు అత్యంత స్పష్టమైన రుజువు ఫ్లో మ్యాచింగ్ పాలసీలు చేస్తాయి, మరియు కారణం Pi0 టోకెన్ డీకోడింగ్ నుండి దూరంగా కదిలింది.

TinyVLA ఏమి స్కోర్ చేసింది

ద్విహస్త వరుసకు పేపర్ స్వయంగా ఇచ్చే ఒక బోరింగ్ వివరణ ఉంది: OpenVLA అనేది Open X-Embodiment పై ముందే శిక్షణ పొందింది, ఇది పూర్తిగా సింగిల్-ఆర్మ్ డేటాను కలిగి ఉంటుంది, కాబట్టి రెండు-ఆర్మ్ యాక్షన్ స్పేస్ పంపిణీకి వెలుపల ఉంటుంది మరియు అది సున్నా స్కోర్ చేస్తుంది. డిఫ్యూజన్ పాలసీ బేస్‌లైన్ ఆ మూడు పనులలో రెండింటిలో TinyVLA-H ను ఓడిస్తుంది. నేపథ్యం ఓపెన్ ఎక్స్-ఎంబోడిమెంట్ వ్రాతపూర్వక వివరణ.

ఆగస్టు 2026 నాటికి TinyVLA రెపో

ఈ పేపర్ బాగుంది. కోడ్ ఒక పరిశోధనా విడుదల. రిపోజిటరీ github.com/liyaxuanliyaxuan/TinyVLA; దాని README కోడ్ విడుదలను 17 ఫిబ్రవరి 2025 నాటికి మరియు చివరి కమిట్‌ను 11 మార్చి 2025 నాటికి సూచిస్తుంది. ఒక పేపర్‌ను పునరుత్పత్తి చేయడానికి ఇది మంచిది, కానీ మీరు నిర్వహించబడే లైబ్రరీని కోరుకుంటే ఇది ఒక సమస్య.

git clone https://github.com/liyaxuanliyaxuan/TinyVLA
conda create -n tinyvla python=3.10 -y
conda activate tinyvla
pip install --upgrade pip
pip install -r requirements.txt
cd policy_heads && pip install -e .
cd ../llava-pythia && pip install -e .

TinyVLA కూడా చదవదు LeRobot డేటాసెట్‌లు. దీని ఫార్మాట్ ACT-శైలి HDF5: చర్య, language_raw, మరియు మల్టీ-వ్యూ చిత్రాలు, joint_positions, qpos మరియు qvelతో కూడిన అబ్జర్వేషన్స్ గ్రూప్. రిపో RLDS ఇన్‌పుట్ కోసం data_utils/rlds_to_h5py.pyని అందిస్తుంది, మరియు ప్రతి టాస్క్ దాని dataset_dir, episode_len మరియు camera_namesతో aloha_scripts/constants.pyలో చేతితో నమోదు చేయబడుతుంది. మీ ఎపిసోడ్‌లు lerobot నుండి లేదా డెస్క్‌టాప్ క్లయింట్ నుండి వచ్చినట్లయితే, మార్పిడి మీదే.

# scripts/train.sh, the real flags from the repository
ACTION_HEAD=droid_diffusion

deepspeed --master_port 29600 --num_gpus=8 --num_nodes=1 ./train_tinyvla.py \
  --deepspeed scripts/zero2.json \
  --lora_enable True \
  --lora_module 'vit llm' \
  --lora_r 64 \
  --lora_alpha 256 \
  --non_lora_lr 2e-5 \
  --task_name "example_task_config" \
  --model_name_or_path /path/to/pretrained_vlm \
  --freeze_vision_tower True \
  --freeze_backbone True \
  --bf16 True \
  --max_steps 10000 \
  --per_device_train_batch_size 32 \
  --gradient_accumulation_steps 1 \
  --learning_rate 2e-4 \
  --lr_scheduler_type "cosine" \
  --warmup_ratio 0.005 \
  --save_steps 1000 \
  --action_head_type $ACTION_HEAD \
  --use_state True \
  --window_size 6

• --num_gpus=8 అనేది ఎనిమిది-కార్డ్ నోడ్‌ను ఊహిస్తుంది. దీనిని 1కి సెట్ చేసి, బ్యాచ్ పరిమాణాన్ని 32 కంటే చాలా తక్కువకు తగ్గించండి. సింగిల్-GPU వేరియంట్ అప్‌స్ట్రీమ్‌లో అందుబాటులో లేదు, కాబట్టి ఈ కమాండ్‌ను 4090లో యథాతథంగా అమలు చేయలేరు.
• --deepspeed scripts/zero2.json అనేది టాప్-లెవల్ scripts డైరెక్టరీలో లేని ఫైల్‌ను సూచిస్తుంది. DeepSpeed కాన్ఫిగ్‌లు llava-pythia/scripts/zero2.json వద్ద అందుబాటులో ఉన్నాయి. మీ మొదటి రన్‌కు ముందు పాత్‌ను సరిచేయండి.
• README ప్రకారం, అవుట్‌పుట్ డైరెక్టరీ పేరులో llava_pythia ఉండాలి, LoRA ఎనేబుల్ చేయబడితే lora కూడా ఉండాలి.
• బ్యాక్‌బోన్ అనేది ప్రత్యేక డౌన్‌లోడ్: lesjie/Llava-Pythia-400M, -700M లేదా -1.3B. మీరు lerobot/smolvla_baseని సూచించినట్లుగా, మీరు ఒక పాలసీని సూచించడానికి ఒకే బేస్ చెక్‌పాయింట్ లేదు.

SmolVLA: ఈ మధ్యాహ్నం మీరు అమలు చేయగల 1 B కంటే తక్కువ మోడల్

SmolVLA నిర్వహించబడే లైబ్రరీలో అదే వాదనను చేస్తుంది. ఇది SmolVLM2-500M-Video-Instruct బ్యాక్‌బోన్‌పై 450 M పారామీటర్‌లను కలిగి ఉంది, మరియు సామర్థ్యం చిన్నదిగా ఉండటం గురించిన వాదన నుండి కాకుండా configuration_smolvla.py నుండి మీరు చదవగలిగే సెట్టింగ్‌ల నుండి వస్తుంది.

ప్రీట్రైనింగ్ కోసం 481 కమ్యూనిటీ LeRobot datasets, 22.9 K episodes మరియు 10.6 M frames ను 4 GPUs పై, 200000 స్టెప్స్ వద్ద గ్లోబల్ బ్యాచ్ 256 తో ఉపయోగించారు; ఈ ప్రాజెక్ట్ మొత్తం సుమారు 30 K GPU hours పట్టిందని పేపర్ పేర్కొంది. గమనించదగ్గ ఒక సంఖ్య: Hugging Face లాంచ్ బ్లాగ్ 487 క్యూరేటెడ్ డేటాసెట్‌లను పేర్కొనగా, పేపర్ పట్టిక 481 అని చెబుతోంది. మేము పేపర్లోని సంఖ్యను ఉపయోగిస్తాము మరియు ఈ వ్యత్యాసాన్ని సూచిస్తాము.

ఒక ప్రమాదం సహాయపడుతుంది: SmolVLA పేపర్ యొక్క Meta-World పట్టిక TinyVLA యొక్క స్వంత ప్రచురించిన సంఖ్యలను బేస్‌లైన్‌గా కలిగి ఉంది, కాబట్టి ఒకసారి రెండు మోడల్‌లు ఒకే పట్టికలో ఉన్నాయి, SmolVLA-0.45B 57.3 వద్ద TinyVLA-H 31.6కి వ్యతిరేకంగా. ఇది SmolVLA శిక్షణ Pi0 కంటే సుమారు 40 శాతం వేగంగా 6x తక్కువ మెమరీతో జరుగుతుందని కూడా నివేదిస్తుంది. ఇదంతా SmolVLA రచయితల నుండి వచ్చింది; అరేనా ఎంట్రీ ప్రతి విలువను దాని మూలానికి లింక్ చేస్తుంది.

SmolVLA తన సమయాన్ని ఎక్కడ గడుపుతుంది

AY-Robots SmolVLAను ప్రతి చర్య దశకు 245 ms వద్ద మరియు ACT 20 ms వద్ద పాలసీ కేటలాగ్. TinyVLA ప్రతి చర్య అంచనాకు 14 ms నివేదిస్తుంది. ఆ సంఖ్యలు పోల్చదగినవి కావు, మరియు వాటిని పోల్చదగినవిగా భావించడం ఈ అంశంలో అత్యంత సాధారణ తప్పు: కొన్నిసార్లు ఒక ఫార్వర్డ్ పాస్, కొన్ని ఆ పాస్‌ను ఒక చంక్‌లో విభజిస్తాయి యాక్షన్ చంకింగ్ దానిని అమర్టైజ్ చేస్తుంది.

• SmolVLA ప్రతి ఫార్వర్డ్ పాస్‌కు 50 చర్యలను విడుదల చేస్తుంది మరియు అన్ని 50 చర్యలను అమలు చేస్తుంది. పేపర్ నిజమైన రోబోట్‌లపై ఉపయోగించే 30 fps వద్ద, ఒక ఇన్ఫరెన్స్ సుమారు 1.7 సెకన్ల కదలికను కవర్ చేస్తుంది.
• అసింక్రోనస్ ఇన్ఫరెన్స్ ప్రస్తుత చంక్ ఇంకా అమలులో ఉన్నప్పుడు తదుపరి చంక్‌ను లెక్కిస్తుంది: 13.75 s సింక్రోనస్‌కు వ్యతిరేకంగా 9.7 s సగటు టాస్క్ పూర్తి, సుమారు 30 శాతం వేగంగా, మరియు 9కి వ్యతిరేకంగా స్థిరమైన 60-సెకన్ల విండోలో 19 పిక్-అండ్-ప్లేస్ సైకిల్స్.
• విజయ రేట్లు మెరుగ్గా కాకుండా పోల్చదగినవిగా ఉన్నాయి, 78.3 సింక్రోనస్ 73.3 అసింక్రోనస్‌కు వ్యతిరేకంగా. అసింక్ థ్రూపుట్‌ను కొనుగోలు చేస్తుంది, ఖచ్చితత్వాన్ని కాదు.
• చంకింగ్ కంప్యూట్ లేటెన్సీని దాచిపెడుతుంది, నెట్‌వర్క్ లేటెన్సీని కాదు, మరియు ఇది 50 చర్యలకు కట్టుబడి ఉన్నందున పాలసీని తక్కువ రియాక్టివ్‌గా చేస్తుంది.

ఒక కన్స్యూమర్ కార్డ్‌లో SmolVLAను ఫైన్-ట్యూనింగ్ చేయడం

మాన్యువల్ మార్గం, lerobot 0.6.1లో, 23 ఆగస్టు 2026 నాటికి ప్రస్తుత PyPI విడుదల. కింద ఉన్నవన్నీ అదే రోజున పొందిన Hugging Face lerobot SmolVLA డాక్యుమెంటేషన్ నుండి వచ్చాయి; గైడెడ్ వెర్షన్ మరింత సులభం.

1. 1
   SmolVLA అదనపుతో lerobotని ఇన్‌స్టాల్ చేయండి

   SmolVLA డిపెండెన్సీలు ఐచ్ఛిక అదనపువి, బేస్ ఇన్‌స్టాల్‌లో భాగం కాదు. వాటిని ఇన్‌స్టాల్ చేయకుండా, ఆపై పాలసీ రకం ఎందుకు తెలియదని ఆశ్చర్యపోవడం సాధారణంగా అరగంట వృథా అవుతుంది.

   bash

   git clone https://github.com/huggingface/lerobot.git
   cd lerobot
   pip install -e ".[smolvla]"

2. 2
   తగినన్ని ఎపిసోడ్‌లతో డేటాసెట్‌ను పొందండి

   డాక్యుమెంట్లు సుమారు 50 ఎపిసోడ్‌లను సిఫార్సు చేస్తాయి మరియు 25 ఎపిసోడ్‌లతో అదే పని సరిపోదని పేర్కొంటాయి. AY-Robots కనీసం 30ని నిర్దేశిస్తుంది. మీ స్వంతంగా రికార్డ్ చేయండి, లేదా డేటాసెట్ డైరెక్టరీ నుండి ప్రారంభించండి.

   bash

   # any LeRobotDataset on the Hub works as --dataset.repo_id
   # lerobot/svla_so100_pickplace is the paper's own 50-episode set:
   # 5 cube positions, 10 episodes each

3. 3
   ఫైన్-ట్యూన్‌ను ప్రారంభించండి

   lerobot గైడ్ నుండి కమాండ్, మార్చబడలేదు. డాక్యుమెంట్లు ఒక A100లో 20000 స్టెప్‌లకు సుమారు 4 గంటలు పడుతుందని పేర్కొంటాయి. 24 GB కార్డ్‌లో, ఎక్కువ సమయం పట్టవచ్చు మరియు దానిని కొలవండి.

   bash

   cd lerobot && lerobot-train \
     --policy.path=lerobot/smolvla_base \
     --dataset.repo_id=${HF_USER}/mydataset \
     --batch_size=64 \
     --steps=20000 \
     --output_dir=outputs/train/my_smolvla \
     --job_name=my_smolvla_training \
     --policy.device=cuda \
     --wandb.enable=true

4. 4
   సరిపోయే వరకు బ్యాచ్ పరిమాణాన్ని తగ్గించండి

   batch_size=64 అనేది డాక్యుమెంట్ చేయబడిన ఉదాహరణ, మీ కార్డ్ గురించి హామీ కాదు. లోడింగ్ సమయాలు తక్కువగా ఉన్నప్పుడు చిన్నగా ప్రారంభించి పెంచమని డాక్యుమెంట్లు సలహా ఇస్తాయి.

   bash

   lerobot-train --help

5. 5
   చెక్‌పాయింట్‌ను ఆర్మ్‌పై రోల్ అవుట్ చేయండి

   అదే లైబ్రరీ, ఒక కమాండ్. రియల్-టైమ్ చంకింగ్ ఫ్లాగ్‌లు డాక్యుమెంట్‌లలో కామెంట్ చేయబడ్డాయి మరియు తక్కువ-పవర్ హార్డ్‌వేర్‌పై ఉపయోగించాల్సినవి.

   bash

   lerobot-rollout \
     --strategy.type=base \
     --robot.type=so101_follower \
     --robot.port=/dev/ttyACM0 \
     --robot.id=my_blue_follower_arm \
     --robot.cameras="{ front: {type: opencv, index_or_path: 8, width: 640, height: 480, fps: 30}}" \
     --task="Grasp a lego block and put it in the bin." \
     --policy.path=HF_USER/FINETUNE_MODEL_NAME

చిన్న VLAని ఆర్మ్‌పై పొందడానికి రెండు మార్గాలు

చిన్న మోడల్ తప్పు ఎంపిక అయినప్పుడు

రెండు పత్రాలు ఇక్కడ సారాంశాల కంటే మరింత జాగ్రత్తగా ఉన్నాయి. TinyVLA యొక్క వైఫల్య విశ్లేషణ నిర్దిష్టమైనది: 0.4 B వేరియంట్ సూచనను తప్పుగా చదవడం ద్వారా మూడుసార్లు విఫలమైంది, దీనిని రచయితలు చిన్న VLMలో పరిమిత భాషా గ్రహణశక్తికి ఆపాదించారు, మరియు ఆ మోడ్ 1.3 B వద్ద అదృశ్యమైంది. SmolVLA అదే వక్రాన్ని మరొక చివర నుండి చూపిస్తుంది: ఒకే నిర్మాణంలో 2.25 B వెర్షన్ LIBEROలో 88.75 మరియు Meta-Worldలో 68.24 స్కోర్ చేస్తుంది, 0.45 B మోడల్‌కు 87.3 మరియు 57.3తో పోలిస్తే.

నడపదగిన పోలిక TinyVLAకు వ్యతిరేకంగా SmolVLA కాదు. ఇది SmolVLAకు వ్యతిరేకంగా ACT మీ స్వంత పనిపై, మరియు SmolVLA పేపర్ ఎందుకు అనేదానికి వాదన. రోబోటిక్స్ ప్రీట్రైనింగ్ లేకుండా సింగిల్-టాస్క్‌గా శిక్షణ పొందిన SmolVLA, సింగిల్-టాస్క్ ACT 48.3 సాధించిన మూడు SO-100 పనులలో సగటున 40.0 స్కోర్ చేసింది. దీనిని 78.3కి పెంచేది కమ్యూనిటీ ప్రీట్రైనింగ్ మరియు మల్టీ-టాస్క్ శిక్షణ, కేవలం నిర్మాణం మాత్రమే కాదు. SO-101 లెగో టాస్క్‌లో, రెండు సింగిల్-టాస్క్‌లు, SmolVLA గెలుస్తుంది: పంపిణీలో 70కి వ్యతిరేకంగా 90. అప్పుడు SmolVLAకు వ్యతిరేకంగా Pi0.5 బడ్జెట్ అనుమతిస్తే.

మీరు చర్య తీసుకోగల నిర్ణయ పట్టిక

చివరి వరుస కోసం, లైవ్ ఆర్మ్ భౌతిక SO-100ని ప్రసారం చేస్తుంది, మీరు ఖాతా లేకుండా బ్రౌజర్ నుండి డ్రైవ్ చేయవచ్చు, మరియు ప్రారంభించడానికి మూడు మార్గాలు మిగిలిన వాటిని కవర్ చేస్తుంది. SO-100 ఇక్కడ సూచన ఆర్మ్, సుమారు 110 నుండి 150 EUR భాగాలలో, ఒక పూర్తి సెటప్ గైడ్.

సబ్-1 B మోడల్స్ తర్వాత ఏమి వస్తుంది

పారామీటర్ల సంఖ్యను తగ్గించడం VLAని చౌకగా మార్చడానికి ఒక మార్గం, మరియు ఇది స్పష్టంగా గెలిచే మార్గం కాదు. OpenVLA-OFT (arXiv 2502.19645) 7 B బ్యాక్‌బోన్‌ను ఉంచుతుంది మరియు చర్యలు ఎలా డీకోడ్ చేయబడతాయో మాత్రమే మారుస్తుంది, చర్య ఉత్పత్తి థ్రూపుట్‌లో 26x పెరుగుదలను మరియు LIBERO 76.5 నుండి 97.1 శాతానికి పెరిగినట్లు నివేదిస్తుంది. BitVLA (arXiv 2506.07530) 1-బిట్ BitNet b1.58 2B4T బ్యాక్‌బోన్ యొక్క ప్రతి బరువును టెర్నరీగా చేస్తుంది, పూర్తి-ప్రెసిషన్ OpenVLA-OFTతో సరిపోలుతూ 11.0x తక్కువ మెమరీ మరియు 4.4x తక్కువ ఎండ్-టు-ఎండ్ లేటెన్సీని నివేదిస్తుంది. X-VLA-0.9B (arXiv 2510.10274) ఫ్లో మ్యాచింగ్‌తో 1 B లైన్‌లో ఉంది.

సాధారణ అంశం: లేటెన్సీ భాషా మోడల్‌లో కాకుండా యాక్షన్ డీకోడర్‌లో ఉంటుంది. ఒక పాలసీ ఎన్ని పారామీటర్‌లను కలిగి ఉందని అడిగే ముందు, అది చర్యలను ఎలా విడుదల చేస్తుందో అడగండి. అరేనా 85 మోడల్‌లు మరియు 332 ఫలితాలను కలిగి ఉంది, ప్రతి ఒక్కటి దాని మూలానికి లింక్ చేయబడింది; మా VLA పరిచయంలో విస్తృతమైన అవలోకనం ఉంది.