World-to-Wrist VLA：任務條件未來手腕建模技術用於精細機器人操作
為何重要
此研究將 VLA 架構從被動的「多視角融合」轉向主動的「手腕軌跡預測」，解決了機器人在需要精細觸覺與接觸判斷（如抓取易碎品或精密元件）時的關鍵難題。 對於開發者而言，這證明瞭未來機器人代理有必要具備預測感知器（手腕）飛行的能力，而非僅依賴即時影像輸入，有助於提升即時運算效率。 對投資人與產業觀察者來說，這標誌著具身智慧 正在突破純視覺判讀的侷限，向能理解物理互動動態的更成熟階段演進。
傳統 VLA 模型常將主視角與腕視角視為平行的輸入，卻忽略了它們在機器人操作中的獨特角色；精細操作需要由此預測手腕區域性互動在全域性任務脈絡下的演變。
- 提出名為「World-to-Wrist VLA (W2-VLA)」模型，利用潛在建模代幣作為視覺語言模型與手腕預測器之間的緊緻介面。
- 結合觀察到的腕視歷史與建立好的介面，預測器可預測未來手腕的潛在狀態，並轉化為具前瞻性的行動預測上下文。
- 在 LIBERO、RoboTwin 2.0 以及真實世界操作任務中展現出提升後的精細與接觸敏感操作能力，在單臂及雙臂設定下皆表現良好，並維持超過 80 Hz 的行動生成率。
- 介紹 W2-CoT 合成管道，利用結構化註解（包含操作進度、物理過渡線索與腕視區域性證據）提供輔助監督。