Enfold：将世界模型想象力折叠成预测表示，以实现超高效的具体控制

世界生成模型通常通过它们生成的内容来使用：渲染的未来、视频条件动作或由昂贵的生成分支计算的潜在上下文。我们认为，他们更可重用的资产是构建未来的计算。当生成器将腐败的未来转变为连贯的轨迹时，其中间状态会组织外观、空间布局和跨抽象级别的交互。这种未来生成计算能否内化为仅从现在推断出的表示形式？我们提出了 Enfold，它将计算转换为根据当前视觉上下文和语言指令预测的表示。在训练期间，当生成器处理观察到的未来时暴露的多级状态监督仅当前的编码器。学习到的表示被反馈到条件下一代，并由任务头读取，而不允许任务梯度重塑编码器。部署时，动作预测不再执行生成器。在 LIBERO、RoboTwin2.0 和真实机器人任务中，Enfold 支持强大的控制，同时相对于 Fast--WAM 减少动作延迟 3.7倍，Enfold-Flash 达到 10.1倍。代表性分析表明，它抑制了令人讨厌的变化，并优先捕获较长时间内出现的变化。当当前场景因人为干预而改变时，生成的延续和执行的动作都会适应，这与固定轨迹重放不一致。这些结果将世界生成器重新塑造为预测控制表示的来源：如果它的内部结构可以包含在现在中，那么它的未来不需要在每一步都实现。