机器人伸手拿杯子前，可以先“想象”杯子接下来会往哪动。但如果 AI 必须把这段未来逐帧画出来，再决定手怎么伸，反复的视频去噪——从噪声多轮修正出清晰画面——就会拖慢反应。ForeWAM 追问的是：机器人需要的也许不是未来画面，而只是其中与动作有关的信息。
它用 Future-KV 做了一次 Video DiT 预填充：把当前画面的潜变量——模型内部、无法直接观看的数字摘要——与随机的“未来空位”一起处理，再将各层产生的键值状态缓存起来，供 Action DiT（生成机器人动作的扩散 Transformer）反复读取。训练时，模型还借助真实后续画面和一个冻结的教师模型，学习物体移动、接触变化和任务进度；部署时则不需要教师，也不生成未来视频。作者报告，在 LIBERO-Plus 的已测子集上，ForeWAM 成功率为 61.6%，动作生成延迟从对比方法 Fast-WAM 的 667 毫秒降至 568 毫秒；加速版进一步降至 220 毫秒。结果仍限于论文所述基准，但它提出了一个值得关注的方向：世界动作模型或许只需保留“预见”，不必真的“看见”未来。