一张图压缩后看着几乎没变，插销与孔位的细小偏差却可能已经丢了。机器人偏偏靠这种细节行动。这篇研究追问：世界动作模型（WAM——同时预测机器人动作及其后续画面）沿用视频生成模型的 VAE 是否合适？VAE 是把图像压成数字表示、再尽量还原画面的工具；它擅长“重建得像”，却不一定保留控制所需的信息。
作者在同一套 WAM 和训练方案下，对比了 13 个预训练视觉编码器、5 种接入机制及多种特征组合。最值得注意的结论是：加入强大的通用视觉表征，通常比继续堆叠更多专用特征更重要；额外特征甚至可能因信息重复或相互干扰而降低表现。五种机制中，“按通道联合预测”取得最高平均成功率。按作者报告，据此形成的 R2-WAM 在 RoboCasa GR1 Tabletop 和 RoboTwin 2.0 上分别达到 84.7% 与 92.8%，比仅用 VAE 的基线高 5.9 和 2.2 个百分点。它把一个常被忽略的问题摆到台前：世界动作模型首先要选对“看见什么”，而不只是追求画面还原得多漂亮。