机器人一边做饭一边“想象未来”，有点像人切菜时偶尔抬头确认下一步：不必每落一刀都停下来重新规划。现有世界动作模型（WAM——预测动作将如何改变环境、再据此决策的模型）若在每次控制前生成未来视频，机器人就得等待；若完全不生成，又会失去明确的视觉目标。GlanceWAM试图拆开这对矛盾。
它让想象模块按较慢节奏在后台运行，只预测数秒后的一帧；控制器则继续高频输出一小段动作，不把视频生成放进每次动作前必须完成的“关键路径”。更巧的是，模型直接使用潜在空间——画面的压缩数字表示——传递未来信息，不必把它还原成可观看的视频。训练时，系统还刻意适应预测结果因异步运行而逐渐“变旧”的情况。作者称，这种稀疏的测试时想象在 RoboCasa 厨房与 LIBERO 任务上兼顾了成功率和实时速度；但供稿文本中的具体数值缺失，因此此处不作量化比较。