视觉-语言-动作（VLA）模型正成为机器人智能化的核心架构，但现有主流方法（如OpenVLA、π0、CogACT）存在一个根本性缺陷：用同一个动作模型统一处理所有类型的动作。这种「一刀切」的设计在面对机器人操控任务时暴露出两大内在矛盾。 从任务特性来看，机器人操控存在两种本质不同的动作类型：手臂大幅度运动（粗动作）需要全局场景理解、路径约束宽松；夹爪精细操作（精细动作）需要局部精细聚焦、精确抓取姿态、容错率极低。这两种动作在路径约束、视觉注意力和数据分布上有本质差异，用同一个模型兼顾「粗定位」与「精细操作」必然产生冲突。…