抓传送带上的物体，难点不只是“看见它”，还要赶在它移动前预判何时接触、夹爪该以什么姿态落下。等画面变化后再反应，往往已经晚了。ForeTime-VLA瞄准的正是这段时间差：让机器人从当下和过去的画面里，推测接下来与抓取有关的变化。
它先让世界动作模型——能预演动作如何改变环境的模型——读取当前及未来画面，并把未来线索压缩成64维代码；再通过知识蒸馏，把这套“预判经验”教给控制策略。实际运行时，策略只看此前八帧，不读取真实未来，也不用生成整段未来视频，因此仍符合因果性。模型还预测抓取所处阶段，以及距离下一次夹爪状态变化还有多久，相当于同时判断“现在做到哪一步”和“还剩多少时间”。
作者报告，在三档传送带速度下，ForeTime-VLA完成44次抓取（共90次），对照模型为23次；最快档分别为11/30和2/30。代价是推理延迟增加2.46%至2.93%。这些结果来自论文自己的数据与真机实验，核心看点不是让机器人“看见未来”，而是把训练时获得的未来知识压进一个部署时可用的轻量预判器。