你让机器人打开柜门、拿出物品，再放到指定位置。它可能每一步都做得像模像样，却在已经拿起物品后再次伸手去拿。问题不在于它不会预测未来，而在于它选中了“可能发生”、却不是用户此刻想要的未来。论文把这种现象称为“任务阶段混淆”：世界动作模型（WAM，同时预测环境变化与机器人动作的模型）在长程操作中，可能生成局部合理、整体跑偏的动作。
作者提出 TaskWAM，把两类线索显式交给模型：Mode Tokens 用来编码任务对顺序、时机、重复次数或机器人分工等细致要求；State Tokens 则根据动作与观察的连续反馈，追踪任务已经做到哪一步。两者合成结构化的“任务状态”，再共同引导未来画面和动作生成。作者还构建了 StageBench，专门用阶段组合与顺序变化制造容易混淆的轨迹。论文自述，TaskWAM 在仿真和真实机器人任务中减少了阶段混淆，并可接入不同 WAM 架构及单臂、双臂、灵巧手和人形机器人。关键启示是：生成得合理只是能力，选得符合意图才是执行。