LiMA：通过异步扩散将长期想象力与实时灵巧操纵联系起来

灵巧的操控需要长期的预见性和快速的反应控制。视觉-语言-动作（VLA）模型虽然精通高级推理，但通常缺乏对物理动力学和空间感知的细粒度理解。相反，世界动作模型 (WAM) 通常会因迭代生成而遭受高推理延迟的影响。这些缺陷导致严重的时间错位，模型的意图无法适应快速的物理接触变化。为了克服这一根本瓶颈，我们提出了 LiMA，这是一种异步双系统生成框架，可以系统地将意图规划与反应执行分离。 LiMA 将计算组织为多尺度层次结构：慢速系统处理稀疏的长视野时空意图生成，而快速系统则专注于密集的高频运动细化。为了使稀疏意图预测与密集动作轨迹保持一致，我们引入了潜在薛定谔桥耦合机制，将细化公式化为熵正则化概率传输过程。与 Cosmos-Policy 相比，LiMA 通过异步解耦将推理延迟降低了 45.8%。在跨越多个视野的六项双手灵巧操作任务的评估中，LiMA 的总体成功率为 70.8%，平均子任务成功率为 78.9%，同时在未见过的场景中保持了性能。该项目网站可通过此 https URL 访问