让机器人拿杯子，它不只要看懂指令、控制手臂，还得预想“这样伸手，接下来会发生什么”。过去，这两件事通常由两套架构分工：Vision-Language-Action（VLA，接收画面和语言并输出动作）负责行动，世界模型负责预测环境变化。Devol-ONE把它们收进同一个自回归Transformer——也就是一步接一步生成后续结果的模型。
它设置三条参数独立但逐层交流的信息流：一条理解画面和指令，一条在潜空间——画面的压缩数字表示——里预测未来，一条生成连续动作。关键不只是把模块接在一起：每一层中，未来预测都能读取视觉语言信息，动作生成也能同时参考语义与预测出的物理变化。作者还用ALRT训练，让模型在训练时就沿着自己生成的多步预测继续推演，减少训练时看“标准答案”、部署时只能相信自身预测的落差。作者报告其在LIBERO上平均成功率为98.4%，在无需针对扰动数据微调的LIBERO-Plus上为71.4%；这些效果仍限于论文所列基准与Flexiv机器人测试。