只用文字描述動作，就能讓同一個世界模型從模擬、機械人、圖片和影片學習，並預測行動後的視覺變化。LaLa-World 是語言條件式潛在世界模型，目標是減少不同領域各自訓練模型的需要，支援跨場景規劃；它亦可微調成 LaLa-Policy，同時預測機械人動作和未來表徵。
關鍵做法是把自然語言當成共通的動作介面，再於潛在空間預測未來視覺表徵，而不是直接生成完整影片。研究結果指，加入圖片和影片資料可改善規劃能力，亦令模型較能適應不同動作措辭；這讓研究團隊可以把多種來源的資料納入同一套規劃流程。
- 在平均 MPC 規劃 LaLa-World 優於按領域或任務分開訓練的潛在世界模型。
- 與採用相同條件的 RAEv2 影片生成模型相比，規劃表現相若，訓練成本低 6 倍，規劃速度快 13.9 倍。
- LaLa-Policy 在 LIBERO 和 RoboCasa 的結果可與 Cosmos Policy 比較，推理速度最高快 5.5 倍。
- 跨模態資料可提升規劃表現及對動作措辭的穩健性，對需要跨模擬與真實機械人資料研究的團隊較有吸引力。
這些結果令項目適合用作機械人規劃與政策學習研究，尤其是希望整合影片資料、減少逐個任務訓練成本的團隊。不過，GitHub 儲存庫目前仍在補齊內容：環境設定和資料準備程式已提供，LaLa-World 訓練及規劃評估程式、預訓練檢查點和解碼器則尚未公開，因此現階段未能按完整流程重現結果。