机器人按计划连续收拾桌面，就像蒙头照着旧地图走：前几步哪怕只偏一点，后面的动作也可能建立在一个根本不存在的位置上。世界动作模型（World-Action Model）会同时预测未来画面和动作，让机器人先“想象”后果再执行，但长程运行容易累积误差。FBFM想解决的，正是如何把模型及时拉回现实。
它不重新训练模型，而是在流匹配——沿连续变化路径逐步生成动作方案——的推理过程中加入异步反馈：前一段动作执行时，下一段仍在生成；真实观测一返回，系统就把它对准未来序列中的相应时刻，并用带遮罩的伪逆校正，只约束已经观测到的状态和已经承诺的动作，其余部分继续交给原模型生成。作者称，在42个选定的RoboTwin2.0任务上，等权任务配置成功率提高3.0个百分点；四组LIBERO测试合计提高0.6个百分点，其中LIBERO-Goal和LIBERO-10均提高2.5个百分点。提升并非处处显著，但它展示了一条实用路径：不改模型参数，也能让机器人的内部“想象”在执行途中持续接受现实纠偏。