推一下斜坡上的木块，它既会因你的手而移动，也会自己顺着重力下滑。现有潜空间世界模型——把画面压成内部数字表示、再预测未来的模型——通常只看两种变化叠加后的结果，容易把环境自然发生的运动也记到动作头上，进而误导规划。
DWM（Decomposed World Model）把这件事改成“分开学”。训练时，它增加一个辅助分支，专门捕捉不随当前动作改变的“世界影响”；完整预测减去这部分，才视作动作造成的影响。两个部分还受到约束，尽量学习互补信息。这个辅助分支只在训练时使用，因此不改变原模型推理和规划流程。
作者在加入重力、惯性或持续漂移的三个控制任务变体上测试。按论文报告，DWM让CEM规划——通过反复试选动作序列来找方案——的成功率分别绝对提高12.0、10.7和16.7个百分点，平均提高13.1个百分点；在缺少明显环境自发运动的原任务上，则与单分支基线相当。