把插头送进插孔时，远处的相机能看清目标在哪，却未必看得清夹爪旁那一点微小的对齐偏差。World-to-Wrist抓住的正是这处短板：VLA——把视觉、语言指令直接转换成机器人动作的模型——不该把主相机和腕部相机当成两路同等用途的画面。前者负责全局任务，后者更贴近夹爪与接触点。
它没有费力生成未来视频，而是预测未来腕部画面的潜在表示——压缩后的内部数字特征。模型结合当前多视角画面、指令与腕部历史，先判断任务进度、物理变化线索和腕部证据，再推测接触区域接下来会怎样变化，并据此生成动作。训练时使用的结构化推理标注，运行时无需逐句生成；作者称动作生成速度超过 80 Hz。
论文在 LIBERO、RoboTwin 2.0 和三项真实机器人任务上报告了提升，但现有原文片段未完整给出成功率数字。更值得记住的是它对多视角的重新分工：腕部相机不是第二个主视角，而是一条专门观察接触过程的近景通道。