西湖大学王东林团队论文：机器人需要“通古今，知未来”丨CVPR 2026

试想一下，当机器人伸手去拿桌上的杯子，刚把杯子抬起来，又停住了，随后把它放回原位，然后再次伸手去拿。同一个动作，它重复了一遍，像是忘记了自己刚刚已经做过什么。类似的情况在真实环境中并不少见：按钮明明已经按下，却还在反复按，明明抽屉已经关好，却还在继续推。 这些失败并不是因为它“看不清”，而是因为它缺乏一套能够模拟时空演化的“世界模型”。当前的视觉语言行动模型虽然能够理解图像与指令，但在连续任务中仍然只能依赖当前观测做决策，一旦任务变成长步骤流程，例如拿起物体、移动、放置再到关闭装置，就容易出现动作重复和决策中断的问题，其根本原因在于缺乏对时间的理解能力。 这一问题正在成为具身智能发展的关键瓶颈。现有方法大多基于“看到什么就做什么”的即时反应机制，在短任务中表现良好，但在长序列任务中容易出现动作不连贯和决策漂移。如何让模型不仅能感知当前状态，还能记住过去并预判未来，成为新的核心挑战。 在这样的背景下，西湖大学王东林团队提出了论文 《HiF-VLA：Hindsight, Insight and Foresight for Vision-Language-Action Models》。研究中，HiF-VLA 不再简单依赖历史图像或未来画面预测，而是以“运动”作为时间信息的核心表达，使模型能够同时建模过去的变化、当前状态以及未来趋势，从而实现更稳定的连续决策。 这项研究的意义，不仅在于性能上的提升，更在于提出了一种新的范式，即让机器人从“被动反应”走向“边思考边行动”。在具身智能逐步走向真实世界的过程中，这种对时间的理解能力，正在成为决定系统是否真正可用的关键因素。 论文地址：https://arxiv.org/pdf/2512.09928 机器人不再「 忘动作」 在长序列任务 LIBERO-Long 上，这项研究主要测试机器人是否能够连续完成多个动作，例如拿取物体、放置以及关闭装置等。研究结果表