X-Planner: Event-Structured Task Planning for Embodied Intelligence
Howard Lu, Shalfun Li, Porter Pan, Cris, Lumen, Cyril, Eric Hu, Lily Li, Maeve Zhang, Robert Wang, KZ Zheng, Viggo Chen, Tim Ding, Regsis Cheng, YJ Xiao, Kian, Hai Lin, Alan Song, Elise Ma, Gody Li, Victor Yao, Yohann Tang, Ingrid Yu, Jason He, James Wang, Ryan Yu, Ping Yang, Chris Pan, Vincent Chen, Roy Gan, Hao Wang, Qian Wang
cs.AI
2026-09-22
X Square Robot的X-Planner用事件结构规划前端接下动作模型，真机推理套件进度71.60、泛化套件53.75，离线BERTScore-F1为0.9011，在四个模型里排第二。
长程操作里，高层指令和底层动作之间缺一层可执行的子目标。多数 Vision-Language-Action（VLA，视觉-语言-动作模型）把这层结构藏在反应式映射里。现成的思维链规划器又常停在任务级标注，或者把很长的推理 trace 一个 token 一个 token 串行吐出来。
X Square Robot 的 X-Planner 把规划做成下游 world-action 模型前面的前端：监督要落到事件边界和执行错误上，表示要同时给出可读的事件状态和可并行的隐变量思维链。
数据来自 Ego、UMI 和遥操作，共用四级：L3 任务、L2 子任务、L1 可执行动作、L0 最细时间片。遥操作四级都标；Ego 和 UMI 动作更快，L0 边界不稳，只保留 L1–L3。接管时刻用来监督执行中的报错；再补一批人设计的失败示范，避免错误分布被采集策略绑死。分析子集从 1,654 条里确定性留下 1,500 条，去掉 154 条高频重复组合，覆盖 167 个数据集和 30 个具名任务类。子集里刚性物体占 58.2%，中位子任务数 5、时长 37.1 秒。
模型共用 Qwen 系视觉语言模型骨干，露出两种规划接口。离散接口输出结构化 JSON：开场给有序初始计划，过程中给归一化进度、当前/下一事件、是否继续、是否报错，结束时给媒体边界标记。隐变量接口用 Staircase Decoding：在中继深度 Nr 切开 Transformer，下层共享视觉-语言接地，上层各推理位置并行更新，得到 Kc 个连续思维状态，直接送进下游交叉注意力。冻结的轻量语言模型把这些隐状态重建成文本思维链，当作语义锚，不拿来抄某一条自回归隐轨迹。
下游 world-action 模型全程冻结。离散路径做完整 JSON 的监督微调，另加一项把规划器文本特征拉向下游原文本编码器的对齐损失。真机评测走事件模式，并没有拿隐变量模式做对照。
离线两步规划在四个模型里排第二。BERTScore-F1 无基线缩放：X-Planner 0.9011，kimi3 0.9108，Qwen 0.8878，Doubao 0.8846。Doubao Judge 的 Overall：1.411，对照 1.434 / 1.367 / 1.366。这两项都是文本质量，不是任务成功率，也没有显著性检验。
真机是桌面双臂、多视角，主指标 Task Progress 为 0–100 的稠密分。推理操作套件（分拣耳机、按形状分类、按序按键、配对、按指令拣水果）平均进度：
| 系统 | 套件均分 |
| X-Planner | 71.60 |
| U-Scratch | 59.50 |
| π0.5 | 56.40 |
| DreamZero | 32.70 |
| LingBot-VA | 31.60 |
比最强基线 U-Scratch 高 12.10 点。任务级并不通吃：按序按键 64% 对 U-Scratch 的 18%，拣水果 96%；形状分类 U-Scratch 更高（82% 对 78%），配对是 π0.5 的 77% 对 X-Planner 的 36%。泛化套件（同一杂乱桌面、指令在变）均分 53.75，对照 DreamZero 28.50、π0.5 24.00、U-Scratch 18.50。没有 trial 级分数，也没有误差条。
把规划单元定成「一段对得上动作的语义事件」，比固定时长 chunk 或纯任务级 caption 更接近真机交接面：人可以改一句事件描述，下游仍负责把动作做完。离散和隐变量两套接口共用骨干，理论上能把可读性和并行计算拆开。
真机领先发生在完整事件模式系统上，离线文本还输给 kimi3。若目标是可检查、可改写的规划前端，这篇给出一条能跑的工程路径；若目标是证明 Staircase Decoding 或失败示范各自值多少，这篇还没给。
作者写得很清楚：没有拆开误差监督、离散表示、隐变量、楼梯式日程或任何一项训练目标的因果贡献；也没有端到端时延。两种规划形式的对照留作未来工作。训练时的历史和初始计划来自标注，部署时条件是模型自己滚出来的输出，存在 oracle-context 缺口。Episode-end 标记的是同步媒体边界，不是任务成功。评测停在桌面双臂，没有移动或人形平台。
离线只有四个模型、一个 Doubao 评审，BERTScore 对规划文本是否公平也没讨论。U-Scratch 是同等真机监督从头训的指令到动作系统，当作系统级参照，不是单一组件的消融。