把机器人想象出的未来画面掺入强噪声，动作预测变化不到 1%；把两帧未来表示的时间顺序倒过来，同一批策略在分布外测试中的成功率却下降 24.24 至 32.37 个百分点。
这是三星 Robotics eXperience、三星北京研究院等团队在 2026 年 9 月 21 日提交的一项受控研究。研究者没有再造一个追求榜单成绩的完整系统，而是分别比较 6 种视频—动作因果结构、8 种视觉表示和 4 类训练目标，再直接干预模型生成的未来表示。结果把世界动作模型的焦点从“未来画得有多像”推向了一个更具体的问题：未来信息以什么时间顺序进入动作决策。
这个区别关系到一笔真实的工程账。世界动作模型通常在训练或推理时预测未来视觉状态，希望机器人先理解世界怎样变化再行动；视频去噪也会增加延迟。Fast-WAM 此前通过另一组受控实验发现，保留视频联合训练、但在推理时跳过显式未来生成，成绩仍接近“先想象、再执行”的变体。新研究没有推翻这个结论，而是进一步说明：当动作确实能够读取未来表示时，真正发挥作用的未必是精确像素，而可能是这些表示携带的时间结构。
同一批策略里，只把两帧未来表示倒过来
论文先比较六种信息流：视频与动作各自预测、视频读取动作、动作读取视频、双向读取、联合生成，以及按时间交错生成。分布外的 LIBERO-Plus 测试包含物体布局、相机视角、机器人初始状态、语言、光照、背景纹理和传感器噪声等变化。允许动作读取未来视频的 Joint 与 Bidirectional，相比各自匹配的控制组高出 16.14 和 14.93 个百分点；在同分布的 RoboCasa-GR1 上，它们反而低 2.33 和 4.00 个百分点。
不同模型之间的比较只能说明相关性。为了确认推理时的未来表示是否真的改变动作，研究者转而干预已经训练好的 Joint 与 Bidirectional 策略，其他条件不动。
第一种干预把每个未来位置与固定噪声混合，强度最高为 0.50，同时保留各通道的空间均值和方差。第二种干预在去噪过程最后 25%、50% 或 100% 的步骤里，交换两个未来位置；当前观测帧始终不变。最强内容干预造成的动作预测变化不到 1%，成功率没有实质变化。最强时间倒置则让 RoboCasa-GR1 成功率下降 6.08 至 11.08 个百分点，让 LIBERO-Plus 下降 24.24 至 32.37 个百分点；后者的动作预测本身也变化 12.79% 至 14.36%。
这项干预支持的不是“未来内容没有用”，而是一个更窄也更有用的判断：在这两个能读取未来表示的策略、两帧预测范围和指定扰动方式下，动作更依赖未来槽位的先后关系，而不是被保留统计量后的精确内容。对系统设计者而言，继续提高生成画面的视觉保真度，未必比保证时间索引和因果路径更值得预算。
时间结构放进哪里，决定它是先验还是包袱
研究的第二组实验解释了为什么“时间重要”不能简单等同于“越早编码越好”。八种视觉表示被分成两类：DA3、VGGT-Ω、V-JEPA、Qwen3-VL 视频模式和 Video-VAE 会跨帧联合编码；DINOv3、SAM3 与 Image-VAE 则逐帧编码，把时间整合留给后面的策略网络。
在熟悉分布的 RoboCasa-GR1 上，五种跨帧表示的成功率全部高于三种逐帧表示；到了 LIBERO-Plus，最高的两项反而来自逐帧的 DINOv3（74.33%）和 Image-VAE（73.74%），跨帧表示中的最高值 DA3 为 72.10%。线性探针也出现同样的反转：跨帧表示在 RoboCasa-GR1 的各层更容易解码出专家动作，逐帧表示在 LIBERO-Plus 的各层领先，直到最后一层差距才接近消失。
研究者随后把同一轨迹里的历史帧或当前帧替换成更早的观测。三种替换下，跨帧表示对应策略的成功率分别下降 8.00、7.20 和 4.00 个百分点，逐帧表示只下降 2.67、1.55 和 0.90 个百分点。论文据此提出一种机制解释：冻结的视觉编码器提前压入跨帧关系，能在熟悉轨迹上提供强动作先验；测试时的时间关系一旦变化，这个先验也更容易变成脆弱依赖。逐帧表示保留局部视觉证据，让下游策略按当前上下文重新组织时间，因此牺牲部分同分布成绩，换来更小的分布外损失。
视频训练有价值，多目标同时上却会互相干扰
训练目标实验把行为克隆（直接从观测与指令预测动作）作为基线，再分别加入逆向动力学、前向动力学和视频生成。RoboCasa-GR1 上，47.58% 的行为克隆基线最好，所有辅助目标组合都更差；前向动力学单独加入后只有 11.62%。这说明在熟悉分布里，额外任务会分走模型容量，而不是自动带来更好的控制。
LIBERO-Plus 上方向相反。视频生成把行为克隆的成功率从 77.96% 提到 81.22%，增加 3.26 个百分点；前向动力学只增加 0.05 个百分点，逆向动力学还略降 0.46 个百分点。四类目标从训练开始就同时加入时为 77.98%，几乎回到基线。先用行为克隆和视频生成完成前 80% 的训练，再在最后 20% 加入两种动力学目标，成功率达到 83.15%：比行为克隆高 5.19 个百分点，也比从头联合所有目标高 5.17 个百分点。
这里的增量与前面的干预并不矛盾。视频生成可以在训练阶段迫使模型保留视觉与时间信息，而推理阶段的动作未必需要一幅内容精确的未来画面。真正影响结果的是时间信号通过哪条路径进入策略，以及辅助目标在表示尚未稳定时是否抢占了学习方向。
真机数据只验证了离线动作预测，闭环还没有答案
论文还使用 DROID 的真实机器人数据按任务语义划分训练、验证和测试集。DROID 本身包含 7.6 万条成功示范，覆盖 564 个场景和 86 类任务；但这项新研究没有让模型在机器人上闭环执行，而是比较留出数据上的逐动作元素误差与阈值准确率。
三个方向都复现了仿真中的排序，不过幅度有限：因果交错结构的 Accuracy@0.1 为 53.78%，无条件结构为 51.83%；逐帧 DINOv3 为 53.08%，跨帧 DA3 为 52.40%；行为克隆加视频生成是 51.84%，行为克隆基线是 49.94%。离线预测更准，不等于机器人在误差累积、接触失败和重新规划出现时完成任务的概率更高。
证据边界还包括：论文是未经同行评议的预印本；三条设计轴分别做受控比较，并不是把 6 种因果结构、8 种表示和 4 类目标组成完整的 192 组全因子实验；主要结论来自中等规模仿真，时间干预只交换两个未来位置；论文没有给出代码链接，正文提到的详细附录也未包含在当前 8 页 PDF 中。另一项 WAM 鲁棒性研究同样发现，不同扰动下的优势并不统一，而且即便省去未来生成，Fast-WAM 的推理仍比其对比的 π0.5 慢约 3 倍。时间结构不是免费的万能组件。
这项研究真正改变的，是世界动作模型的优化顺序。下一轮验证不该只问生成画面更不更清晰，而应先检查三个可测变量：动作能否读取未来表示、时间索引被扰动后性能掉多少、辅助目标在训练的哪个阶段加入。只有当这些结果在公开代码、更长预测范围和真实机器人闭环中复现，才能判断“想象未来”究竟是控制所需的机制，还是一种昂贵的训练支架。
