接触密集型任务（如装配、插拔、擦拭）需要精确力控与高频反馈，视觉分辨率不足以支撑亚厘米级对齐，必须依赖本体感知的实时调整，而通用 MLLM 的推理频率通常远低于此类任务所需的控制频率。