让机器人把物体插进狭窄位置，难点不只是“看懂要做什么”，还要避免一伸手就抓偏。World Action Agent（WAA）让机器人先在“脑内”彩排：视觉语言模型（VLM——同时理解图像和文字的模型）不直接执行动作，而是在视觉工作区预览候选动作，结合规划反馈反复修改，确认后才真正动手。
WAA 还会自动生成“接触视图”，也就是把镜头拉近抓取、推压或插接的位置，让模型盯住夹爪、物体与目标之间的几何关系；执行后若仍有偏差，它可在同一视图中继续校正。整个流程由多 Agent Harness 组织，即让不同模型角色分别处理观察、排练和决策。
作者报告，WAA 仅使用从 LIBERO-90 演化出的技能，在 LIBERO-Pro 上取得 75.6% 的平均成功率，高于对比方法 ASPIRE 的 72.0%。更值得注意的是，这项工作主要改造模型“看动作、试动作”的方式，而非重新训练一个专用控制模型；不过上述效果仍来自论文作者的基准实验。