HiVLA：以视觉接地为核心的分层具身操纵系统

针对端到端视觉 - 语言 - 动作模型在微调中损害推理能力的问题，本文提出 HiVLA，一种以视觉接地为核心的分层框架，显式解耦高层语义规划与底层运动控制。高层部分利用视觉语言模型进行任务分解和视觉接地，生成包含子任务指令及精确目标边界框的结构化计划；底层部分引入带有级联交叉注意力机制的流匹配扩散 Transformer 动作专家，融合全局上下文与技能语义以执行鲁棒操作。该架构既保留了零样本推理能力，又实现了长程技能组合与精细操纵的显著提升。