World Action Models (WAMs)는 제어 동작(control actions)을 생성하기 전에 비디오 생성 모델을 사용하여 미래 장면의 진화를 모델링함으로써 로봇 조작(robot manipulation)을 위한 유망한 경로를 제공합니다. 그러나 우리의 경험적 관찰은 한 가지 현상을 드러냅니다: 그럴듯한 시각적 미래를 생성하는 것이 항상 정확한 동작의 추출을 보장하지는 않는다는 점입니다. 이러한 실패를 진단하기 위해, 우리는 동작 헤드 어텐션(action-head attention) 분석과 인과적 개입(causal interventions)을 수행합니다. 우리는 동작 디코더(action decoder)가 작업 관련 상호작용 영역(task-relevant interaction regions)에 집중하지 못하고, 작업과 무관한 영역의 섭동(perturbations)에 계속 민감하게 반응한다는 것을 발견했습니다. 이는 표현 불일치(representation mismatch)를 드러냅니다: 시각적 재구성(visual reconstruction)을 위해 최적화된 은닉 상태(hidden states)가 저수준 동작 제어(low-level action control)에 유용한 형태로 본질적으로 조직되어 있지 않다는 것입니다. 본 논문에서 우리는 AGRA를 제안합니다. AGRA는 중간 비디오 확산 특징(intermediate video diffusion features)을 파운데이션 시각 인코더(foundation visual encoder)로부터 얻은 공간적으로 일관된 의미론적 표현(spatially coherent semantic representations)과 정렬함으로써 world-action 인터페이스를 정규화하는 동작 기반 표현 정렬(Action-Grounded Representation Alignment) 목적 함수입니다. 우리는 실제 환경의 조작 작업에서 AGRA를 평가합니다. 실험 결과, AGRA는 world model 표현을 더욱 동작 기반(action-grounded)으로 만듭니다. 동작 디코더가 올바른 상호작용 영역에 집중하게 함으로써, 객체 위치 파악(object localization) 정확도와 어포던스(affordance) 이해를 향상시키고, 작업과 무관한 영역의 섭동에 대해 정책(policy)을 더 견고하게 만듭니다. 결과적으로, AGRA는 베이스라인 world action model에 비해 분포 내(in-distribution) 성능과 분포 외(out-of-distribution) 일반화 성능을 모두 일관되게 향상시킵니다.