Vision-Language Models (VLMs)을 활용한 로봇 조작에서, 기존 방법들은 중요한 세부 정보를 잃는 중간 표현으로 정보를 축소하는 문제가 있습니다. 본 논문은 이를 해결하기 위해 AntiGrounding이라는 새로운 프레임워크를 제안합니다. AntiGrounding은 후보 행동들을 직접 VLM 표현 공간으로 상승시키고, 다양한 관점에서 궤적을 렌더링하며, 구조화된 시각적 질문 답변을 통해 명령어 기반 의사결정을 수행합니다. 이를 통해 새로운 작업에 대한 최적의 폐루프 로봇 궤적을 제로샷으로 합성할 수 있습니다. 또한, 과거 경험을 활용하여 장기적 성능을 향상시키는 오프라인 정책 개선 모듈을 제안합니다. 시뮬레이션 및 실제 환경에서의 실험 결과, 제안된 방법이 다양한 로봇 조작 작업에서 기존 방법들을 능가함을 보여줍니다.