World models 在动作条件的未来预测上取得显著进展，但仍难以捕捉物理上合理的交互。现有方法通过外部表示（运动、几何或语义）约束生成过程，这需要额外估计器或人工标注，限制了可扩展性。我们重新审视训练目标，发现全局平均均方误差（MSE）去噪目标存在监督分配不匹配：静态内容占据大部分优化信号，导致稀疏的动态对象区域——交互生成的关键——监督不足。基于此，提出 IMPACT（Interaction-aware Model training with Prior‑guided Attention Calibration and Targeting），它利用与被操控对象 token 关联的 cross‑attention 作为内部时空先验。IMPACT 从该先验中采样候选区域，使用分离的局部预测误差进行校准，构建交互映射，并据此重新加权去噪监督，整个过程既不依赖外部表示，也无需推理时修改。大量实验覆盖机器人手臂和人手操作，涉及多种控制模态和 DiT 骨干网络，IMPACT 始终优于基于 MSE 的基线，在交互保真度、物理合理性和视觉质量上均有提升。
点评