HiFOR：面向视觉-语言-动作模型的动作引导世界检索层级预测框架

HiFOR 提出一种带动作引导世界检索的层级预测框架，用于视觉-语言-动作（VLA）模型。其层级预测通过层级依赖掩码（HDM）联合预测短期状态演化、语义里程碑与最终目标状态，结构感知潜在世界建模沿时间、视角与空间维度组织未来表示，动作引导的因子化世界检索则在去噪过程中按动作表示检索相关未来信息。作者称在两个仿真基准和六个真实机器人操作任务上验证了方法有效性。