让机器人拿起杯子时，直接伸手不难；难的是先判断“这样伸过去，杯子接下来会不会被碰倒”。常见的 VLA（Vision-Language-Action，根据画面和文字指令直接生成动作）擅长见招拆招，却未必会显式预演后果。WAVE-0 的思路，是在直接行动和生成完整未来视频之间，补上一张轻量的“未来草图”。
它在预训练 VLA 上增加一个 2.57 亿参数的世界模型，把模型内部的动作计划转成未来状态的潜表示——也就是压缩后的场景特征，再让这份预测直接参与动作生成。关键在于，这不只是训练时做的一道附加题：预测结果会在执行时真正影响决策。训练也不要求还原视频像素或先看海量视频，而是使用真实机器人动作，并通过反事实排序目标学习哪种动作后果更合理。
作者报告，WAVE-0 在真实任务中把 π₀.₅ 的成功率从 38.3% 提高到 73.3%；在 RoboTwin 2.0 和 LIBERO 上分别达到 91.47% 和 98.7%。这些结果尚以论文自述为准，但它展示了一条值得关注的折中路线：不承担完整视频世界模型的高成本，也让机器人在动手前先想一步。