# CVPR 2026 | HiF-VLA：用视频压缩的思路教机器人“边看动作边想下一步”

> 原标题：CVPR 2026 | 突破短视，理解变化！HiF-VLA：以motion为中心打造「边想边做」的世界动作模型

- 来源：机器之心 · 公众号
- 发布时间：2026-05-22T02:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/25898
- 原文：https://mp.weixin.qq.com/s?__biz=MzA3MzI4MjgzMw==&mid=2651034410&idx=3&sn=17ad01c6c46f8d832dca46ab16b6981f

## 摘要

西湖大学团队搞了个叫 HiF-VLA 的框架，核心想法是把机器人看世界的方式从“一帧帧静态图”换成“画面怎么动的”。它直接用 H.264 这类视频编码器从画面里提取紧凑的运动向量，再让一个联合专家模型同时预测未来的视觉动态和该做的动作序列。论文里给的数据是，在设定的历史窗口下，显存峰值 31.4GB，延迟 117.7 毫秒。

## 推荐理由

西湖大学团队提出 HiF-VLA，用 H.264 运动向量替代逐帧视觉编码，并让联合专家模型同时预测视觉动态与动作序列，显存峰值 31.4GB、延迟 117.7 毫秒。

## 锐评

31.4GB 显存加 117.7 毫秒延迟，放真机上跑实时推理还是偏重，但方向对。用 H.264 的运动向量代替逐帧视觉编码，白捡了视频编解码几十年的压缩成果，比让模型自己从头学画面怎么动省太多。这个思路我信，这份成绩单我当参考，没看到真实机械臂上的成功率，也没跟主流 VLA 做 head-to-head。想在真机上跑 VLA 的可以盯这个方向。
