การวางแผนในระยะยาว (Long-horizon planning) ด้วย World Models มักประสบปัญหาเรื่องความเปราะบางของกราฟการคำนวณและ Gradient ที่ระเบิดหรือหายไป ทีมวิจัยจึงนำเสนอ GRASP (Gradient-based planner) ซึ่งใช้เทคนิคการ 'Lift' เส้นทางของเหตุการณ์ให้กลายเป็นสถานะเสมือน (Virtual States) ทำให้การปรับค่าพารามิเตอร์ทำได้แบบขนานตลอดช่วงเวลา ส่งผลให้ความเร็วในการประมวลผลเพิ่มขึ้นอย่างมหาศาล
นอกจากประสิทธิภาพด้านความเร็ว GRASP ยังแก้ปัญหาความเปราะบางของโมเดล AI ต่อข้อมูลที่อยู่นอกเหนือชุดข้อมูลฝึกฝน โดยการเพิ่มความสุ่ม (Stochasticity) เข้าไปในสถานะเพื่อช่วยในการสำรวจเส้นทางใหม่ๆ และมีการปรับปรุงรูปทรงของ Gradient เพื่อให้สัญญาณที่ส่งไปยังการตัดสินใจ (Actions) มีความชัดเจน ไม่ถูกรบกวนจากความซับซ้อนของโมเดลการมองเห็นความละเอียดสูง ทำให้ระบบสามารถวางแผนงานที่ต้องมีการขยับตัวหรืออ้อมสิ่งกีดขวางได้แม่นยำยิ่งขึ้น
