先想后做，也从做法里学会怎么想
你让机器人把早餐摆上桌，它要同时回答两个问题：拿起杯子后，桌面会怎样变化；面对现在的桌面，下一步又该做什么。前者是“世界建模”——预测行动之后会发生什么；后者是“动作建模”——决定此刻该怎么做。两者显然相关，但把它们塞进同一个模型，未必自动产生好处，也可能争抢模型能力。
OneWM正面检验了这个问题。它把世界预测和动作生成放进同一套 video–action architecture（视频—动作架构），让动作既是预测未来画面的条件，也是策略学习的目标。策略（Policy）就是机器人把当前观察转换成下一步动作的规则。
这里的“因果训练”需要特别说明：模型只能根据时间上已经出现的画面和动作预测后续，不能偷看未来。它描述的是信息流方向，不等于论文证明了现实世界中的因果关系。本文的效果结论均来自论文及其聚合页面这一个信源，尚无独立交叉验证。
关键不是一起学，而是怎样一起学
已有的一类世界—动作模型，会让未来视频完全看不到动作；另一类允许视频参考动作，但训练时输入的是被噪声扰乱、等待模型还原的动作。问题在于，要学习“执行这个指定动作会发生什么”，最好给模型一段明确、干净的动作，而不是含混的动作草稿。
OneWM因此混合三种练习。
- All-clean：所有动作都保持干净，模型据此预测未来画面，专门练习“给定动作，会有什么后果”。
- All-noisy：所有动作都被加噪，模型要从观察和语言指令中还原动作，练习策略生成。
- Partial-clean：前一段动作是干净条件，后一段动作需要还原；模型同时预测后续画面。
可以把它理解成教机器人做菜：有时给完整步骤，让它预测锅里接下来会怎样；有时只给厨房现状，让它自己决定步骤；有时给出开头，让它续写后面的动作。每个训练批次都混入三类题目。
视频和动作由两个专门模块处理，但通过按时间单向开放的联合注意力交换信息。未来画面只能参考此前及当前的动作，动作也只能参考已经看到的画面与动作前缀。模型不能借后面的结果倒推前面的决定。
世界预测怎样帮机器人行动
作者先把OneWM与两种采用相同因果架构的WAM变体比较：WAMmask不让未来视频读取动作，WAMnoisy只让视频读取带噪动作。三者都学习视频和动作，OneWM多出的关键训练信号，是干净动作条件下的前向动态——也就是明确学习“这个控制会怎样改变场景”。
在LIBERO具身操作评测中，OneWM平均任务成功率为94.95%，高于WAMmask的92.45%和WAMnoisy的92.60%。LIBERO用抓取、摆放及多步操作等标准化任务检验机器人是否真正完成目标。
更能说明问题的是场景变化。LIBERO-Plus会改变背景、相机、语言表达、光照、布局、初始状态，并加入传感器噪声。OneWM总体成功率为59.27%，两种WAM变体分别为53.37%和52.50%。传感器噪声条件下，OneWM为67.08%，而两者为50.41%和48.34%。不过收益并不整齐：光照和机器人初始状态变化下，它没有都占优。
在场景和任务更复杂的RoboCasa365中，OneWM总体成功率为36.68%，WAMmask为28.32%。论文还报告了积木堆叠、插入和早餐摆放三类真实机器人实验：OneWM都优于WAMmask，尤其是插入与早餐摆放，但正文材料没有给出具体成功率。
这些结果支持一个克制的判断：在这套模型与测试中，明确学习指定动作的视觉后果，可以帮助策略抓住机器人、物体与场景之间更可迁移的关系。
行动学习也会反过来教世界模型
作者随后固定架构，比较OneWM与只做世界预测、不学习动作生成的WM。推理时，两者都拿到同样的干净动作，因此差别主要来自训练阶段是否加入动作学习。
OneWM在三个基准上都取得更好的PSNR、SSIM和LPIPS。它们分别侧重像素误差、结构相似性和感知差异。以LIBERO为例，PSNR从WM的22.33升至22.95，SSIM从0.8325升至0.8423，LPIPS从0.1529降至0.1458；LPIPS越低越好。RoboCasa365上，PSNR从24.72升至25.21，LPIPS从0.1087降至0.1015。
但不能简单说OneWM包揽所有指标。FID和FVD衡量生成结果整体分布及视频分布的接近程度，数值越低越好；在LIBERO上，OneWM的FID为12.45，反而差于WM的11.89。论文也承认，另一种通过自适应层归一化注入动作的WMAdaLN，在部分FID或FVD比较中更好。较稳妥的结论是：动作学习改善了与指定结果逐一对应的预测质量，并在多数、但非全部分布指标上带来收益。
合训不是把配比一路拧大
OneWM默认以60/25/15混合全噪声、部分干净和全干净样本。改成50/35/15后，表现大体稳定；但进一步改成30/45/25，LIBERO成功率从94.95%降至87.80%，LIBERO-Plus更从59.27%降至38.01%，世界预测指标却相对稳定。
这说明“双向增益”不等于干净动作越多越好。机器人部署时需要从噪声中生成动作，训练中若削弱这类练习，策略泛化会受损。世界预测和动作生成可以合训，但配比本身就是设计问题。
作者还展示了一个“endless dream”：模型先生成动作，再用这些动作预测未来画面，把最后一帧当成下一轮观察。它在LIBERO上连续运行16轮，每轮生成32个动作和8帧未来画面，总计想象512个动作、覆盖25.6秒。这个实验说明两种能力能够首尾相接，但材料没有提供其长期准确率或与真实执行的一致性，不能把它当成可靠规划能力的证明。
为什么值得关注
OneWM给“WAM究竟该合训还是分训”补上了一组控制较清楚的证据：在共享架构内，学行动后果能改善策略，学动作也能改善多视角世界预测。更重要的是，它同时展示了边界——增益大小并不对称，部分指标并未领先，训练配比失衡还会伤害策略。
局限与未知
- 证据目前只有论文单一信源；不同架构、数据规模和任务中是否仍有双向收益，尚不能确定。
- 真实世界实验覆盖三类操作，但材料未披露样本量、具体成功率和统计显著性。
- “endless dream”展示了长链条生成能力，却没有证明想象轨迹足够准确，或确实能改善真实规划与控制。