给机器人看着桌面完成操作，训练时是白桌布，部署时换成木纹，它可能连任务都“忘”了。问题不一定出在动作，而在世界动作模型（WAM——同时学习未来画面与机器人动作的模型）常靠像素生成监督：预测下一帧长什么样，再从误差中学习。这样一来，模型既学“该做什么”，也被迫记住背景、光照等无关细节。
论文发现，两种视频生成式 WAM 遇到背景、照明和视角变化时，预测画面会逐渐漂回训练环境。作者称之为“训练分布幻觉”。他们又分析了 290 组画面：每组包含任务状态相同但视觉条件不同的两帧，以及一帧任务状态不同的参照。作者报告称，DINOv3 特征——一种更侧重物体与场景含义的视觉表示——比用于重建画面的 Wan-VAE 潜表示更能忽略外观变化，同时区分任务进度。
ST-WAM 因此保留 VAE 对细节和动态的刻画，同时用 DINOv3 学未来的语义变化，并从近期画面历史中找回“做到哪一步”的证据。推理时无需真的生成未来视频。论文称，这种设计提升了视觉变化下的模拟与真机操作表现；但原文抓取内容缺失关键成功率数值，具体增幅暂无法核对。