开车遇到前方变道时，AI不能只想象“向左会发生什么”，还得判断这个未来是否安全、顺畅。世界模型——让智能体在内部预演行动后果的模型——擅长前一件事，却可能忽略真正影响决策的细节。更棘手的是，现实记录只包含实际执行动作的结果，没走过的备选路线没有未来画面可供学习。
World Action Critic（WAC）把预测与 critic（评价器）放进同一套模型：先提出多个候选动作，再逐步预测各自的未来，同时给后果打分。它最关键的设计是让评价器读取预测过程中的中间信息，并把“这个选择好不好”的训练信号反向传给预测部分；但预测部分看不到评价器的信息，避免拿答案反推未来。这样，即使某个反事实动作——当时没有执行的备选方案——没有真实未来，外部评价给出的任务质量分数仍能帮助模型保留与决策有关的线索。
作者将 WAC 用于自动驾驶，并报告其在 NAVSIM-v1 上取得 93.4 PDMS。论文称消融实验支持未来预测、循环预演以及评价信号进入预测特征各自的作用；这一效果目前仍以作者实验为准。