像开车绕过路障，你得先向侧面打方向，短时间内反而离终点更远。视觉世界模型也会遇到这个问题：它先在内部模拟几种动作的后果，再挑预测画面最接近目标图像的一种。但目标太远时，这种评分可能把“暂时绕开”误判为退步，甚至让控制器原地不动。
Liu 等人用一个理论构造说明：即使动力学预测完全准确，五步搜索也找到全局最优，只盯最终目标仍可能永远选择不行动；若改追一连串子目标——通往终点的中间状态——同一套模型和搜索便能前进。基于这个思路，他们提出 Anchored Planning：从已有轨迹中找一段起点像当前画面、终点像最终目标的路线，再把路线开头不远处的画面当作眼前目标。
作者在冻结的 LeWM 世界模型上测试 Cube、PushT、Reacher 和 TwoRoom。所谓“冻结”，就是不再训练模型，只更换规划目标。在相隔 100—150 个动作的长程任务中，面向观测子目标的短搜索在四项任务上都超过已发布的 LeWM 规划器；单纯增加针对最终目标的搜索次数没有追上。论文还发现，后续画面预测得更准，也不必然带来更好的控制。换句话说，世界模型能否走远，不只取决于它算得准不准，还取决于眼下让它往哪里走。以上效果均为作者报告。