学开车时，提前推演“下一秒画面会怎样”很有用；但真上路后，每次转向前都生成一段未来视频，既慢又贵。SimWAM解决的正是这个矛盾：让自动驾驶模型在训练时借视频预测理解车辆与场景如何变化，部署时却直接输出行驶轨迹，不再生成未来画面。
它属于世界—动作模型（WAM）——把“世界接下来怎样变化”和“车该怎样行动”放进同一套学习框架。SimWAM同时训练一个预训练视频专家和一个轻量动作专家，并用联合Flow Matching（一种学习数据变化过程的生成模型训练方法）传递驾驶场景的动态先验。关键是一张隔离注意力掩码：它禁止动作专家读取未来帧，迫使规划器只凭当前信息学习决策。因此，未来视频只是训练时的老师，推理时可以整个省掉。
作者还把视频与动作模块做成参数互不共享的两部分，只通过统一的注意力接口交互，因而可以单独更换视频模型或扩展动作模型。论文称，SimWAM在NAVSIM基准上取得PDMS成绩，并以明显更低的延迟超过其他基于世界模型的规划器，还能零样本迁移到nuScenes；不过供稿原文未披露这里对应的具体分数和延迟数值。