在动态视觉环境中执行语言条件任务，仍是具身人工智能领域的一个核心挑战。现有的视觉-语言-动作（Vision-Language-Action, VLA）模型主要采用反应式“状态到动作”的映射机制，往往导致短视行为，并在动态场景中表现出较差的鲁棒性。本文提出F1，一种预训练的VLA框架，将视觉前瞻生成（visual foresight generation）整合进决策流程。F1采用基于Transformer的混合架构，配备专门用于感知、前瞻生成和控制的模块，从而实现理解、生成与动作之间的有机衔接。其核心机制在于引入“多尺度预测”（next-scale prediction）策略，以合成目标条件化的视觉前瞻作为显式的规划目标。通过预测可能的未来视觉状态，F1将动作生成重构为一种由前瞻引导的逆动力学问题，从而生成能够隐式达成视觉目标的动作。为赋予F1强大的泛化能力与鲁棒性，我们在包含136种多样化任务、超过33万条轨迹的大型数据集上，提出了一种三阶段训练方案。该训练策略增强了模块化推理能力，并使模型具备可迁移的视觉前瞻能力，这对于复杂且动态的环境至关重要。在真实世界任务与仿真基准上的大量实验评估表明，F1始终优于现有方法，在任务成功率和泛化能力方面均取得了显著提升。