World Action Models (WAMs) เป็นแนวทางใหม่ในการฝึกนโยบายหุ่นยนต์ (Robot Policy) โดยใช้พื้นฐานจากโมเดลวิดีโอแบบ Diffusion อย่างไรก็ตาม ปัญหาใหญ่คือความล่าช้าในการประมวลผล งานวิจัยนี้จึงนำเสนอ FRED (Future REpresentation learning via self-Distillation with temporal context) ซึ่งฝึกให้ WAMs สามารถดึงข้อมูลภาพแทน (Representations) ของอนาคตออกมาจาก Noise ได้ในขั้นตอนการ Denoising เพียงครั้งเดียว
FRED ใช้เทคนิคการกลั่นกรองความรู้ด้วยตนเอง (Self-distillation) โดยนำข้อมูลจากเหตุการณ์จริงในอนาคตเป็นเป้าหมายในการเรียนรู้ และยังมีการนำบริบททางเวลา (Historical observations) มาช่วยให้การทำนายแม่นยำขึ้น ผลการทดสอบในการจับวางวัตถุจริงพบว่า FRED มีประสิทธิภาพสูงกว่าโมเดลเดิมอย่างเห็นได้ชัด โดยเฉพาะในงานที่ต้องทำต่อเนื่องยาวนาน (Long-horizon) และการเรียนรู้ทักษะจากวิดีโอมนุษย์เพื่อนำมาใช้กับหุ่นยนต์ (Human-to-robot skill transfer)
