แม้ว่าโมเดลภาษาขนาดใหญ่จะช่วยให้หุ่นยนต์รับคำสั่งจากมนุษย์ได้ดีขึ้น แต่หุ่นยนต์ยังมักมีปัญหาในการทำภารกิจที่ต้องทำต่อเนื่องเป็นเวลานานหรือมีเงื่อนไขด้านความปลอดภัยที่เคร่งครัด ระบบ hint^2 (Hierarchical World Models for Inference-Time Temporal Logic Guidance) จึงถูกสร้างขึ้นเพื่อแก้ปัญหานี้โดยใช้โมเดลโลกสองระดับมาช่วยตัดสินใจในช่วงเวลาการทำงาน (Inference Time)
ระดับแรกคือ โมเดลระดับสูง (High-level) ที่จะคอยทำนายผลของภาพรวมของภารกิจตามหลักตรรกะเชิงเวลา (LTL) เพื่อให้มั่นใจว่าหุ่นยนต์กำลังก้าวหน้าไปตามขั้นตอนที่ถูกต้อง ระดับที่สองคือ โมเดลระดับล่าง (Low-level) ที่ทำหน้าที่ดูแลเรื่องความเคลื่อนไหวทางกายภาพในระยะสั้นเพื่อความปลอดภัยและการตอบสนองที่รวดเร็ว การแยกส่วนเช่นนี้ช่วยให้หุ่นยนต์สามารถจัดการกับคำสั่งซับซ้อน เช่น 'หยิบสิ่งของไปวางที่จุด A แต่ห้ามผ่านจุด B และต้องรอจนกว่าไฟจะเปลี่ยนสี' ได้อย่างมีประสิทธิภาพกว่าเดิม
