想象机器人伸手推杯子：画面里既有机械臂移动，也有杯子被推动。普通视频世界模型往往要把两件事一起学，容易把“机械臂长什么样、怎样响应指令”也当成环境规律。Robot-Factored World Models 的思路是先拆开：机器人负责把动作命令换算成自身运动，模型只需预测周围物体会怎样变化。
关键在于作者没有使用执行后记录的真实机器人状态。那里面已经包含碰撞、延迟和控制修正，等于提前透露了本应预测的交互结果，形成“信息泄漏”。他们改用 nominal trajectory——机器人按自身控制器和运动学、但尚未考虑场景接触时得到的预定轨迹，再依据 URDF（描述机器人结构和几何形状的文件）把机械臂渲染进画面。模型看到的是“机器人准备怎样动”，而不是某台机器专用的控制数字。
作者还加入末端执行器与场景的深度信息，帮助模型分辨画面上看似重叠的机械臂和物体是否真的接近或接触。论文自述，这种接口优于直接输入动作向量的基线，并能在推理时迁移到未见过的机器人本体；其意义不只是画面更准，而是尝试把机器人专属的身体问题留给机器人，把环境变化留给世界模型。