看见门从关到开，人会猜到有人推了门。研究者把类似任务交给 AI：如果模型能从变化前后的状态认出中间动作，它就不能把所有画面都记成同一个答案。这正是 AC-MTM 想解决的问题——防止 JEPA（不重画未来画面、只预测其内部表示的世界模型）发生“表征坍塌”，同时留下对规划有用的动作信息。
现有 LeWM 用 SIGReg 规定内部表示接近各向同性高斯分布，也就是先替模型定好“笔记版式”。AC-MTM 不设这种先验，而在训练时加入对比式逆动力学：让每段状态变化从同批候选中找出真正导致它的动作。若表示全部相同，模型只能靠猜，因此这项任务会直接惩罚坍塌。训练结束后，逆动力学分支被丢弃，测试时的编码、预测、规划和计算量与 LeWM 相同。
作者报告，在四项标准像素控制任务中，AC-MTM 从头训练保持稳定，平均表现与 SIGReg 相当；在更复杂的 OGBench Visual Scene 中，三次训练的成功率均值为 80.0%，高于 SIGReg 的 58.0%，每次分别领先 24、20 和 22 个百分点。不过 PushT 上它仍落后，说明“认出动作”可能低估那些只能被动作微弱控制的物体状态。