World Action Models（WAM）通过预测交互后任务相关场景状态的演化来增强机器人策略。近期的 WAM 趋向于在潜在空间进行状态预测，以避免完整的外观级生成，同时保留控制所需的信息。传统做法多使用基于 Transformer 的预测器，其归纳结构侧重于 token 之间的交互，而非时间演化本身。\
本文将 转移实现 视为一种独立于表征学习和策略耦合的架构选择，提出 潜在演化算子网络（LEON）。LEON 在一个可学习的可观测空间中，通过 上下文调制的算子传播 与 加性强迫 两条路径建模潜在演化。其理论基础来源于 受控 Koopman 生成子 的视角，\ $$\dot{z}=K(z)z + f(z, c)$$\ 其中 $K(z)$ 为共享的演化算子，$f$ 为由上下文 $c$ 调制的加性项。该结构使得不同上下文下的转移差异围绕同一算子框架展开，同时保留额外的非线性变化通道。\
在受控动力系统实验中，LEON 的算子传播与强迫机制分别展现了对演化偏置的验证与补充作用。进一步，在两种将潜在预测嵌入策略的 WAM 变体中，LEON 均提升了闭环控制性能和鲁棒性，并在完全替换转移模块的情况下仍保持有效。实验结果表明，转移实现方式本身是潜在 WAM 设计中的关键架构因素。\
点评：LEON 通过引入可共享的算子结构，将潜在状态的时间演化显式化，兼顾了全局动力学一致性和上下文特异性变化，为提升机器人在复杂交互任务中的适应性提供了新思路。