让机器人拿杯子时，普通策略往往只看眼前画面就出手，很少先想“这一动会让场景变成什么样”。LaWAM 给它补上这一步前瞻：视觉—语言—动作模型（VLA，即把画面、指令和机械臂动作连起来的模型）先预测动作后果，再据此生成一段动作。
关键在于，它不生成完整的未来视频。LaWAM 改在潜空间——模型对画面的压缩内部表示——里预测“视觉子目标”，也就是这段动作结束时应达到的中间状态。比如，不必画出夹爪靠近杯柄的每一帧，只需表示最终“已经靠近”。团队还把过去训练后会被丢弃的预测解码器重新用作世界模型，并以单次前向计算产出这个子目标。
按论文作者报告，这个世界模型有 2.3 亿参数，比其对照的 50 亿参数 WAN 主干少约 95%；LaWAM 每次预测动作块耗时 187 毫秒，并在 LIBERO 与 RoboTwin 分别取得 98.6% 和 91.22% 成功率。结果仍主要来自作者设置的基准与实机实验，但它展示了一条清楚的路线：机器人可以显式预想动作后果，不必先付出生成未来视频的高昂成本。