在机器人操作与导航等具身视觉-语言决策任务中，视觉-语言模型（VLMs）与视觉-语言-动作模型（VLAs）各有所长：前者擅长长期规划，后者擅长反应式控制。然而，二者受制于同一个感知瓶颈——由于模型难以区分任务相关物体与干扰物，视觉幻觉随之产生。理论上，准确识别并聚焦关键物体、同时过滤无关信息，是突破该限制的关键。最直接的方案是“一步聚焦”，即直接关注核心物体，但这一思路被证明效果有限，因为有效的聚焦本身需要深度的场景理解作为支撑。
为此，作者提出 SceneDiver，一种面向 VLMs 的由粗到细的聚焦计划生成方法，充分利用其长期规划能力。该方法首先构建整体场景图以建立初始理解，随后通过“识别—理解—分析”的迭代循环，将任务逐步分解为更简单的子问题。为支持反应式控制，研究团队还设计了一个轻量级适配器，将这种深思熟虑的聚焦能力蒸馏到 VLAs 中。
论文题为《Dive into the Scene: Breaking the Perceptual Bottleneck in Vision-Language Decision Making via Focus Plan Generation》，由 Boyuan Xiao 等共 6 位作者完成，于 2026 年 6 月 2 日提交至 arXiv（编号 arXiv:2606.04046，v1 版本于当日 07:50:56 UTC 发布，文件大小 3,070 KB），并已被 ICML 2026 接收。研究涉及计算机视觉与模式识别（cs.CV）、人工智能（cs.AI）、计算与语言（cs.CL）、机器学习（cs.LG）以及机器人学（cs.RO）等多个方向。
在标准具身 AI 基准上的评测显示，该方法显著降低了 VLMs 与 VLAs 的视觉幻觉，同时在需要快速执行的任务中保持了计算效率。作者已公开代码与数据，项目页面为 https://future-item.github.io/SceneDiver，论文亦提供 PDF、实验性 HTML 版本及 TeX 源码等访问途径。