机器人行动前，可以先在“脑中”播放一段未来视频：杯子会往哪儿移动，机械臂下一步该怎么走。问题是，逐帧生成这段预演很慢，尤其扩散模型还要反复修改画面。RIFT追问：机器人真的需要看完整预演，还是只要其中对行动有用的未来信息？
作者在四种世界动作模型和LIBERO全部40项桌面任务上做了闭环干预——让机器人边执行边观察真实结果，同时替换或遮掉内部信息。结果显示，动作确实依赖未来内容及其位置；但对Joint和Cosmos-2，反复重放同一份最终K/V Cache，执行几乎不变。K/V Cache可以理解为模型留给后续决策读取的“内部笔记”。据此，RIFT用一组可学习的“预期token”一次写完整份未来笔记，再交给动作模块，不再生成可观看的视频。作者称，它在LIBERO上接近逐帧预演方案的成功水平，同时降低动作延迟；不过材料中的具体数值缺失，效果幅度暂无法判断。