学机器人像教人端杯子：只演示每次都稳稳拿起，它就不知道手偏一点后，杯子会滑落、错位，还是还能补救。HF-WM是一种动作条件世界模型——根据眼前场景和候选动作，预测接下来会发生什么。它想补上训练数据里常被忽略的一块：失败动力学，也就是错误动作怎样把任务带偏，以及局面随后如何演化。
最巧的一步，是不用额外拍摄失败视频。研究者先扰动成功示范中的动作，制造“如果当时做偏了”的反事实条件，再让模型生成后续画面；训练反馈同时检查画面是否跟随给定动作，以及变化是否符合物理规律。模型还利用第一视角的人类操作视频，并用稳定化的点轨迹压低相机晃动的干扰，以提取人手和机器夹爪都可借鉴的运动规律，缩小具身差距。作者自述，HF-WM在动作控制视频生成上达到当前最佳水平，也可用于下游机器人策略评估；不过这些效果仍来自论文自身实验。