给机器人换上更长的腿、加重躯干，或调紧关节，同一条控制指令就可能跑出完全不同的动作。通常，世界模型——根据当前状态和动作预测下一步的模型——在一套固定身体上训练，换副身体后便容易失准。GraphOp-WM 想解决的，正是同一家族机器人之间的这种迁移问题。
它最关键的一步，是把“共通规律”和“身体差异”强行分开。模型把部件看作节点、把关节和驱动器看作连线，组成一张身体结构图。共享的局部动力学模块只观察各部件的运动状态和动作，不能看到长度、质量、惯性等形态参数；另一条路径则用受形态参数调节的图算子——一种沿身体连接关系变换运动信息的模块——专门处理这些差异。这样，换腿长或质量时，模型不必把整套运动规律推倒重学，只需调整身体如何影响局部运动的组合方式。
作者把目标限定在关节拓扑基本固定的相关机器人家族，并在 Hopper、Walker2d 和 HalfCheetah 上设计了参数插值、外推及未见组合测试；任意机器人之间的通用迁移不在范围内。所给原文片段未包含实验结果，因此目前能确认的是方法设计，尚不能据此判断实际迁移幅度。