arXiv 於 2026 年 10 月 20 日（週二）18:36:13 UTC 收到題為《T-WLA: Bridging Slow Vision and Fast Touch》的論文投稿，編號 arXiv:2610.28814v1，分類為機器人學（cs.RO），由 Kaichen Zhou 領銜、共 17 位作者合作完成，提交者為 Yuzhen Chen，稿件體積約 34,301 KB。論文提出的核心問題是：在接觸密集型操作中，接觸條件可能在視覺策略更新動作計劃之前就發生變化；若通過視覺策略重新計算計劃會引入延遲，而僅依賴觸覺反饋又無法指明當前運動應如何針對任務進行修正。為此，作者提出 T-WLA——一種世界-語言-動作（world-language-action）架構，利用共享的視覺記憶同時指導動作生成與觸覺修正。
在機制上，每次視覺更新時，視覺分支將當前圖像、任務指令以及檢索到的歷史信息整合為一份視覺記憶，用以條件化基礎動作（base-action）的生成；同一份記憶會被緩存並交給一個輕量的觸覺編輯器，後者將其與正在執行的動作片段以及新到達的觸覺信號結合，預測對尚未執行動作的殘差修正，而無需重新運行視覺分支。這一設計意在讓緩慢的視覺更新與快速的觸覺反饋各司其職：視覺分支負責低頻的計劃生成，觸覺編輯器負責高頻的在線修正。訓練方面，未來圖像預測與未來壓力預測僅作為訓練期監督信號，促使視覺記憶與觸覺特徵捕捉與動作生成和修正相關的交互動力學。
實驗評估分為兩部分：一是在 EgoTouch 與 Tachin 數據集上進行觸覺條件下的手部運動預測；二是在四個真實世界靈巧操作任務上進行真機實驗。結果顯示，T-WLA 相較於已報告的最強基線將手指關節 MPJPE 降低 30%，並在真實機器人操作任務上取得約 50.0% 的平均成功率。作者提供了視頻與代碼，項目頁面為 https://anonymous-submission-20.github.io/T-WLA.github.io/。需要注意的是，該摘要頁面未披露基線細節、任務具體構成、訓練數據規模及各任務的單獨成功率，約 50.0% 的平均成功率也表明該方向在真機條件下仍有較大提升空間；此外論文 DOI 為 https://doi.org/10.48550/arXiv.2610.28814，由 DataCite 簽發（註冊尚待完成），全文可通過 PDF、實驗性 HTML 及 TeX 源碼等形式獲取。