动作

前者保留真实视觉信息，后者方便在推理时自由输入新的动作轨迹。

直接接收原始动作状态的Ctrl-World，在双臂机器人上也容易生成静止或损坏的画面。

实验中先由DiffusionPolicy为同一场景采样多条候选动作后，视频模型生成对应未来，Gemini3.1Pro再从任务进度、物理真实性和接触情况等方面评价每段视频，最后选择最优动作执行。

预测机器人动作产生的环境变化；

可问题在于，对视觉模型来说，要建立某组数字和画面动作之间的对应关系，需要额外的学习。