机器人会按指令抓杯子，不等于它真懂“手一推，杯子会往哪儿走”。World Tokens 想补上这门预测课：视觉—语言—动作模型（VLA，即根据画面和文字直接生成机器人动作的模型）训练时不仅学正确动作，还要学习动作之后场景如何变化。
关键设计是“世界 Token”——由画面和指令压缩成的一组内部表示。未来视频预测和动作生成都只能依赖它，动作模块不能绕回原始信息另找捷径。这样，预测未来所学到的物体位移、接触等变化，会直接进入控制所用的表示。部署时，生成未来视频的分支会被整个移除，只保留世界 Token 相关模块和动作模块，无需在线生成视频。
作者报告，这个 2B 参数模型在实体 R1 Pro 机器人上的成功率从同条件、只学动作的基线 59.4% 提升到 76.0%，同时保持相近延迟。结果仍以论文自述为准，但它展示了一条实用思路：把“想象后果”留在训练期，把执行负担挡在部署之外。