机器人走到岔路口，真正要知道的不是“下一帧画面长什么样”，而是哪条路更接近目标。Wang、Gao 与 Shen 提出的潜在世界模型（Latent World Model），把画面压缩成模型内部的数字特征，再预测不同动作会带来什么后果，省去逐像素重建未来画面的复杂过程。
最值得注意的一步，是训练时把不同轨迹里的动作序列拿来交叉组合。模型从同一当前位置出发，比较这些“如果这样走”的候选方案，判断哪一种会让内部状态更像目标附近的状态。作者利用导航中“空间越接近，视觉特征通常也越相似”这一关系，把相似度直接当作行动后果的衡量尺度。
学会这套判断后，模型还能为没有动作标注的视频挑选较好的候选动作，用来训练策略——也就是机器人选择下一步动作的规则；随后，策略可完全在模型模拟的结果中接受强化学习，无须新增环境互动。作者称该方法在多个真实机器人导航数据集及真实环境中优于既有方法，但现有材料未给出具体提升幅度。