像下棋前推演一样，Agent会用“世界模型”预演不同动作的后果，再挑一个看起来最好的方案。麻烦是，一旦结果不好，仅看执行轨迹往往分不清：究竟是计划选错了，还是内部模拟器猜错了。论文甚至构造了一个只有两步的例子，证明无论积累多少被动交互记录，这两个原因仍可能无法区分；未知信息可以完全藏在从未尝试的动作里。
Dual-Frontier因此不急着追责，而是先问一个更实用的问题：世界模型推荐的新方案，是否确定比当前方案更好？它设置两道边界：证据不足的候选留在“世界模型边界”，继续验证相关预测；只有当预计收益超过与这次决策相关的模型误差上界，才进入“Agent边界”并被采用。作者给出的理论保证是，被放行的决策不会降低预期回报。关键转变在于，可信度不再是给整个模型贴“准或不准”的标签，而是逐次判断：这份预测证据，够不够支撑眼前这个行动。