X-Foresight：基于预测世界建模的联合视觉 - 动作因果预测网络

物理世界知识主要蕴含于视频中，赋予视觉 - 语言 - 动作（VLA）模型此类知识对安全且可泛化的规划至关重要。针对视频令牌冗余及长程因果建模困难的问题，本文提出 X-Foresight，一种集成于 VLA 架构的预测世界模型。其核心采用长程分块自回归策略，通过预测语义远距离分块避免平凡外推，同时保留密集帧内动态与稀疏帧间过渡以捕捉长程因果。结合课程学习与时间重要性采样，该方法显著提升了 VLA 在规划任务中的表现，确立了知识驱动的自主系统新范式。