X-Planner：面向具身智能的事件结构化任务规划

任务规划在长程操作中连接高层指令与可执行行为，然而现代视觉-语言-动作（VLA）系统常常让这一中间结构保持隐式。现有思维链（CoT）规划器也往往依赖粗粒度的任务级标注，或逐 token 串行化长推理轨迹。我们提出 X-Planner，一个同时解决具身推理监督与表示问题的规划前端。我们的规划数据在层级粒度与依来源而定的标注深度下，结合了 Ego、UMI 与遥操作数据；接管时刻（takeover-time）标注与人工设计的失败用于监督进行中的错误识别。在模型侧，一个共享 VLM 骨干提供两种事件结构化的规划形式：输出可解释事件状态的离散接口，以及通过 Staircase Decoding 在错列的 Transformer 深度间传递连续 CoT 状态的潜在接口；冻结的潜在到文本重建目标为潜在表示提供语义锚点。在离线两步规划评估中，X-Planner 在 BERTScore-F1 与评委打分的总体分上均位列四个受评模型中的第二；在真机实验中则分别优于受评基线。这些结果同时刻画了规划文本质量与下游执行表现。