π0.5 中用于高层子任务或机器人规划的模块负责预测什么信息？它如何为低层连续动作生成提供条件？

高层模块就是共享 VLM 的语言读出：给定图像、指令与历史，预测「下一步做什么」的子任务文本 token。推理时先推断子任务，再把子任务 token 与观测一起作为条件驱动动作专家生成连续动作块；随着执行推进，子任务被重新预测和更新，形成层级式闭环。训练上由带子任务标注的异构数据以语言建模损失监督，与动作损失共同优化。

设计收益：显式中间目标提升可解释性（人可以读出甚至纠正子任务）、使低层条件分布更聚焦、把长程任务分解为短程问题。追问点包括：子任务粒度如何确定、错误子任务如何恢复（重新预测的鲁棒性）、以及与 RT-2 式「直接把动作当语言输出」的层级化区别。