无需看见的预见：面向世界动作模型的潜在未来

世界动作模型（WAM）将未来视觉预测与机器人动作生成耦合，使策略能够建模交互过程中物理世界的演化。现有WAM的差异在于预测动力学暴露给动作通路的方式。显式未来型WAM提供对预测场景演化的直接访问，但迭代视频去噪带来高昂推理成本。相比之下，直接策略型WAM能从当前观测高效预测动作，但缺少在推理时将预测动力学暴露给Action DiT的显式接口。为弥合这一差距，我们提出ForeWAM，一种动力学条件化的直接策略型WAM，在不解码未来视频的情况下为动作生成提供预测上下文。其核心Future-KV对当前视觉潜变量和随机未来slot执行单次Video DiT预填充（prefill），并在整个动作去噪过程中复用所得的逐层键值（KV）状态。我们进一步引入由冻结潜在动作教师监督的动力学寄存器（dynamics registers），促使隐式未来状态捕捉交互诱发的转变，如物体运动、接触变化和任务进度。真值未来观测与教师仅在训练期使用；部署时两者皆不需要，也不执行任何未来视频生成。在没有具身机器人数据预训练的情况下，ForeWAM的标准与加速变体在LIBERO上分别取得96.7%和96.9%的平均成功率。标准变体在LIBERO-Plus上进一步取得61.6%的成功率。这些结果表明，直接策略型WAM可以在不显式生成未来观测的情况下，既保持高效的动作预测，又将预测动力学暴露给动作通路。