HiF-VLA

  具身智能要在复杂场景中真正落地，离不开对长程任务（Long-horizon tasks）的稳定执行。但现有的 VLA（视觉-语言-动作）模型大多停留在“动作模仿”阶段，缺乏对物理世界动态变化的深刻理解，在长线操作中极易陷入因果混淆。同时，传统通过直接堆叠多帧图像来引入时间维度的方法，不仅容易引入大量静态背景冗余，更会带来灾难性的推理延迟与显存溢…