在文本与图像中思考：面向长程机器人操作的交错视觉-语言推理轨迹

长程机器人操作需要既逻辑连贯又几何落地的规划。现有的视觉-语言-动作（Vision-Language-Action）策略通常把规划隐藏在潜在状态中，或只暴露单一模态：纯文本思维链能编码因果顺序但缺失空间约束，而视觉预测提供几何线索但往往局限于局部且语义约束不足。我们提出交错视觉-语言推理（Interleaved Vision--Language Reasoning，IVLR），一个围绕显式中间表示（轨迹trace）构建的策略框架，该表示在整个任务时程上交替呈现文本子目标与视觉关键帧。测试时，单个原生多模态transformer根据初始观测和指令自生成这一全局语义-几何轨迹，将其缓存，并以该轨迹、原始指令和当前观测为条件驱动闭环动作解码器。由于标准机器人数据集缺少此类轨迹，我们通过对演示进行时间分段、并用视觉-语言模型为每个阶段生成描述来构造伪监督。在长程操作与视觉分布偏移的模拟基准上，IVLR在LIBERO上达到95.5%的平均成功率，其中LIBERO-Long为92.4%，在SimplerEnv-WidowX上总体成功率为59.4%。消融实验表明两种模态缺一不可：没有轨迹时LIBERO-Long成功率降至37.7%；纯文本和纯视觉轨迹分别达到62.0%和68.4%，而完整的交错轨迹达到92.4%。执行扰动与轨迹内容掩码的压力测试显示性能中度下降，表明该轨迹能容忍局部损坏和中度执行漂移，但在全局计划过期或不正确时仍然受限。