PearlVLA：潜空间中渐进式具身动作计划细化

当前视觉 - 语言 - 动作（VLA）模型在高效动作生成与显式 deliberation 间存在权衡。本文提出 PearlVLA 框架，将 deliberation 移至视觉语言模型潜空间。该框架分离元查询表示为固定视觉接地分支与迭代潜空间计划分支。每轮细化中，计划条件化的世界查询探测轻量级冻结潜空间世界模型，获取无动作未来观测潜变量以指导计划优化。随后，未来引导的 RefineNet 应用调度残差更新，将粗略语义草稿渐进细化为细粒度潜空间动作计划，最终并行解码为低延迟动作块。实验表明其在 LIBERO 基准上达到最先进水平。