先描述后行动：通过蒸馏语言 - 动作世界模型实现主动智能体引导

部署安全关键型智能体需在执行前预判行动后果。现有基于视觉模拟的世界模型延迟过高。本文提出 DILLO，一种蒸馏语言 - 动作世界模型，挑战了视觉处理对故障预防的必要性。该方法利用训练策略的潜在状态与计划动作编码信息，通过跨模态蒸馏，由视觉语言教师模型标注离线轨迹，指导潜在条件大语言模型学生预测语义结果。此举构建了纯文本推理路径，绕过繁重的视觉生成，速度提升 14 倍。实验表明，DILLO 能高精度描述下一状态并有效引导策略，显著提升任务成功率。