UnifoLM-ER-Flow 是在 UnifoLM-ER-1 基础上扩展的视觉语言模型，面向机器人交互，将视觉观测、语言条件、预测的未来动态区域和机器人动作在单一模型中联合对齐。其交互中心世界建模使用光流提取代表未来场景变化的动态区域，并用 VQ-VAE 编码为固定长度离散 token；模型可在当前图像与任务描述或动作条件下预测未来动态区域的 mask token。

动作学习部分把统一动作空间划分为末端执行器位姿、末端执行器关节和下肢关节三类，并分别训练 RVQ 模型将连续动作序列离散化。生成的动作 token 与未来动态区域 mask token、图像 token、语言或动作 token 一起输入 VLM；示例任务包括 Clean table、Fold towel、Packaging phone 和 Place plates。