**X-Planner：面向具身智能的事件结构化任务规划**

_X-Planner: Event-Structured Task Planning for Embodied Intelligence_

> 现代视觉-语言-动作（VLA）系统往往将任务规划这一中间结构隐含处理，而现有思维链（CoT）规划器多依赖粗粒度任务级标注，或逐 token 串行输出冗长推理轨迹。为此，X-Planner 提出一种规划前端，同时改进具身推理的监督与表示：规划数据融合 Ego、UMI 与遥操作数据，按层次粒度组织，并依据来源控制标注深度；接管时刻标注与人工设计的失败案例用于监督过程中的错误识别。模型方面，共享 VLM 主干给出两种事件结构化规划形式——输出可解释事件状态的离散接口，以及通过 Staircase Decoding 在交错 Transformer 深度间传递连续 CoT 状态的隐式接口，并以冻结的隐式到文本重建目标为隐表示提供语义锚点。离线两步规划评测中，X-Planner 在 BERTScore-F1 与评审制 Overall 分数上均列四个受评模型第二；真机实验中亦优于所评估基线。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.25187)