想象机械臂在晃动的镜头前按按钮：画面里最显眼的是整体摇晃，模型反而看不清机械臂做了什么。这正是世界模型的“动作失明”——它在压缩后的内部状态里预测未来，却被背景动态带偏，给不同动作算出近乎相同的结果。论文还发现，这种失灵很隐蔽：验证损失仍会改善；在 Atari Freeway 上，按验证损失挑选模型时，36 次运行中有 17 次选中了动作通道已经坍缩的检查点。
作者提出的 AD-JEPA 借用 Dueling 分解：先算各动作预测的平均效果，再从每个动作的预测中减掉这部分。镜头晃动、云层移动等所有动作共有的“公共运动”会被抵消，剩下的才是该动作额外造成的变化。关键在于，这只是读取预测时的一次减法，无需奖励、画面重建或额外训练目标，也能事后用于冻结的 RePo、TIA 等现成模型。作者称，在多类实验中，分离后的通道恢复了智能体自身影响，干扰泄漏与零无显著差别；但若干扰会随动作同步变化，它就不再是公共模式，这套方法也无法滤掉。