同样推一下箱子，换了重量或地面摩擦，结果可能完全不同。机器人若仍照搬旧经验，动作就容易失准。WorldAgen瞄准的正是这种环境切换：让视觉—语言—动作模型（VLA，即根据画面和文字指令直接控制机器人的模型）在部署后继续摸清现场规律，而不是训练完就把参数锁死。
它用同一个 Transformer 骨干同时做两件事：状态预测回答“这样做以后会发生什么”，动作预测回答“为了完成任务现在该怎么做”。模型到达新环境后，先执行探索动作，收集真实的状态变化，再通过基于 LoRA 的轻量测试时训练（TTT，即使用现场观察继续更新模型）修正内部的世界动力学。换句话说，它把“预演后果”从离线训练任务变成了现场适应工具。
作者称，WorldAgen只需少量测试时样本，便在 CALVIN 和 LIBERO 两套机器人基准上超过已有最佳方法。不过，所给材料未披露具体提升幅度，探索动作在真实部署中的成本与安全边界也仍待进一步说明。