DualCoT-VLA：通过并行推理实现视觉 - 语言动作模型的视觉语言思维链

视觉 - 语言 - 动作（VLA）模型在处理需逻辑规划及精细空间感知的复杂多步任务时存在局限。现有基于思维链（CoT）的方法受限于单模态推理无法兼顾高低层信息，且自回归解码导致高延迟与误差累积。本文提出 DualCoT-VLA，集成用于低层空间理解的视觉 CoT 与用于高层任务规划的语言 CoT，并引入含可学习查询令牌的双路并行推理机制，将自回归推理转化为单步前向推理。实验表明，该方法在 LIBERO、RoboCasa GR1 基准及真实机器人平台上均达到最先进水平。