你让 AI 看一段长视频再预测下一幕，它不能把所有旧画面一直塞在“脑子”里：历史越长，处理和保存的负担越重；但直接丢掉旧画面，又可能漏掉影响未来的关键动作。这项工作为世界模型——根据过去画面和动作预演环境变化的 AI——设计了一套分层记忆方法。
作者提出 Dynamics-Aware Tokenization（DAT，动态感知 Token 化）：先把历史画面压成模型可处理的一串表示，再按“对动态变化有多重要”排序。动作信息进入靠前的 Token，静态视觉细节放到后面。模型训练时会读取不同长度的前缀，因此记忆不足时可以只留前半段，而不是整帧保留或整帧丢弃。进一步的 Hierarchical History Guidance（分层历史引导）还能在推理时放大关键动态，压低背景纹理、光照变化等视觉干扰。作者称该方法改善了多类环境中的未来预测和下游决策；所给材料未披露具体提升数字。