同一个机器人面对同一件事，只因随机“脑补”出的未来不同，就可能做出截然不同的动作。World Action Model（世界动作模型，先预测接下来会看到什么，再据此控制机器人）因此有个麻烦：多想几种未来，并不等于一定选得更好。这篇论文提出 World-Coherent Decoding（WCD），让模型在行动前先检查候选未来是否可信。
每一步，WCD 都让冻结的原模型生成多个“视觉未来—动作”组合，再用两类内部信号排序：一是 surprisal（意外度），判断画面是否像模型学过的正常世界；二是动作生成路径的费力度，衡量动作是否稳定。最巧的一步发生在执行后：真实画面会回来检验刚才的想象，二者差距再训练一个轻量预测器，帮助下一次在行动前避开不可靠候选。它不更新主模型，也不依赖奖励或外部验证器。
作者在 RoboTwin 2.0 和真实 Franka 机械臂的视觉变化测试中报告了改善，并强调收益来自筛选，而非单纯增加采样。不过，所给原文中的关键成功率数字缺失，因此目前无法判断提升幅度。