看到一只手拉动抽屉，人会自然猜到它接下来沿什么方向滑。视频模型通常只负责理解或生成画面，MotionForesight则让它从一段普通单目视频——即单个相机拍摄、没有直接距离信息的视频——预判被操作物体未来的三维轨迹。这值得关注，因为模型开始回答“物体接下来会怎样运动”，而不只是“画面里发生了什么”。
它最巧的一步，是把原本回看完整视频的3D追踪器改成“预言家”：先用完整片段生成未来轨迹作为伪真值，也就是由现有模型自动制作的训练答案；真正训练预测时，再遮住未来画面，只留下已经发生的部分。模型输出3D场景流——可理解为“带深度的光流”，描述物体上各点之后会往哪里移动。团队冻结大型视频模型和追踪组件，只训练轻量适配模块，并把注意力集中在被操作的物体上。
作者称，MotionForesight只用4万段人类交互视频、无需语言等辅助输入，就能适应训练分布之外的物体、环境、视角和交互，并超过使用逾百万段视频的更大模型。不过，论文材料未在此给出具体指标，效果幅度仍应以完整实验为准。