视觉-语言-动作（VLA）模型将视觉观测和语言指令映射为连续的机器人动作。这一任务需要从描述场景和指令的表示，过渡到支持动作生成的表示。许多连续动作 VLA 将这一过渡隐式地处理，主要通过最终的动作预测损失来进行监督。我们提出 PAIR，一个在这两个空间之间学习共享感知-动作表示的框架。在训练阶段，Masked Action Autoencoder 将专家动作块编码为时间步对齐的 Action Latent Tokens。Bridge Module 从当前的视觉-语言表示中提取任务相关特征。PAIR 将这些特征与 Action Latent Tokens 对齐，形成 Bridge Tokens，既保留任务信息，又捕捉专家动作的结构。随后，Bridge Tokens 被投影到动作 token 空间中，并注入初始 Action Tokens，为 Action Expert 的精炼提供一个即用的动作起点。在推理阶段，自编码器被移除，Bridge Tokens 仅由当前观测和指令生成。在 LIBERO、LIBERO-Plus 和 CALVIN ABC-D 上的实验表明，PAIR 为所评估的 OpenVLA-OFT 和 VLA-Adapter 模型带来了性能提升。在 LIBERO-Plus 上，PAIR 将 VLA-Adapter 的成功率从 59.1% 提升至 64.2%。在 CALVIN 上，它将 VLA-Adapter 的平均完成序列长度从 4.42 提升至 4.53。在七项真实世界任务中，PAIR 将 OpenVLA-OFT 的成功率从 51.4% 提升至 65.0%。表示分析表明，Bridge Tokens 在保留任务信息的同时，使连续动作信息在 Action Expert 精炼之前即可被访问。这些结果支持共享中间表示可以作为连续动作 VLA 中感知与动作之间有效接口的观点。