让机械臂抓取物体前，先把动作“演”成一段视频，就能提前看看它会不会伸错手、抓偏或中途弄丢东西。DreamX-Phi 1.0 正是这样的动作条件视频世界模型——它不仅猜下一幕，还接收当前画面、语言指令，以及夹爪准备怎样移动和开合的完整动作序列，再预测执行后的视觉未来。
难点在于，视频看着逼真，不代表动作真的对。DreamX-Phi 最值得注意的一步，是把每只机械臂的 SE(3) 变换——三维空间里的旋转与平移——直接注入模型的注意力计算，让模型保留左右臂身份，并沿指定路线生成运动。它还加入深度信息来约束场景结构，并借助 SAM3 物体遮罩和冻结的 V-JEPA 教师模型，尽量让被抓取的小物体在前后画面中保持一致。
作者报告，模型在固定的 WorldArena 2.0 榜单快照中获 Track 1 第一、Track 2 并列第二，并在 WorldArena 1.0 Track 1 的离线评测中取得 76.88 分。模型权重和推理代码要等 WorldArena 2.0 IROS Challenge 结束后公开，因此目前这些结果仍主要来自论文自述。