自动驾驶系统即使预测“前方可能有变化”，也不等于立刻转向更安全。世界模型——机器用来预演环境变化的内部模拟器——同样会遇到这个问题：它能提出下一步状态，却未必知道执行预测是否优于维持原状。论文指出，变化事件的排序即使接近完美，在绝对误差这套计分规则下，“不动”仍可能是最佳选择。
作者提出 loss-conditioned state execution：先按指定损失生成可执行的候选动作，再用一组独立校准数据，检验它相对保持原状态是否确实降低损失。只有某类场景的收益置信下界仍为正，系统才放行动作；否则暂停。它相当于给世界模型加了一道风险门，而不是逢预测必执行。
据论文自述，在 28,684 条 M4 月度时间序列上，该方法只更新 14.0%，有界损失为 0.588，低于始终不动的 0.599，也低于始终执行的 0.621。保证依赖校准样本独立同分布等假设，覆盖更多场景与认证更稳之间仍需取舍。